System wieloagentowy Cursora i NVIDII zoptymalizował 235 kerneli CUDA średnio o 38%

Cursor i NVIDIA opublikowali wspólny eksperyment, w którym wieloagentowy harness przez trzy tygodnie pisał i optymalizował kernele CUDA od zera, mając do dyspozycji 27 kart Blackwell B200 oraz 235 problemów wyciągniętych z 124 produkcyjnych modeli open-source, w tym DeepSeek, Qwen i Stable Diffusion. Wynik, który trafił do nagłówków, to 38% średniej geometrycznej przyspieszenia, z 19% problemów, w których agent przebił punkt odniesienia ponad dwukrotnie.

Zanim z tego wyjdzie historia, że agenty właśnie wyparły specjalistów od kerneli, warto sprawdzić, jak ten punkt odniesienia jest skonstruowany. To nie jest kod napisany przez człowieka z biblioteki cuBLAS, tylko ten sam program w PyTorchu zoptymalizowany przez pojedynczego agenta. To więc porównanie systemu wieloagentowego z agentem solo, a nie z doświadczonym inżynierem od kerneli. Średnia geometryczna kryje też rozrzut: na 63% problemów agent przebił punkt odniesienia, na pozostałych 37% nie ruszył wyniku. Wskaźnik SOL ma skalę od 0,5 dla PyTorcha z pojedynczym agentem do 1,0 dla fizycznego sufitu Blackwella, a jego mediana wyniosła 0,56. Czyli przeciętne rozwiązanie ledwo wystawało ponad punkt startu.

Cała koordynacja w jednym pliku markdown