LLM 生成的 GPU 内核的合同级验证器

计算机科学 > 机器学习 arXiv:2608.12700 (cs) [提交于 2026 年 8 月 13 日] 标题：A Contract-Grade Verifier for LLM-Generate GPU Kernels, and a Native Blackwell Backward for the Gated-Linear-Recurrence Family 作者：Rishi Shah、Rishav Shrestha 查看题为 A Contract-Grade Verifier for LLM-Generate GPU 的论文 PDF门控线性循环系列的内核和本机 Blackwell 后向，作者：Rishi Shah 和其他 1 位作者 查看 PDF HTML（实验） 摘要：使用语言模型生成 GPU 内核的系统报告了较高的正确率。这些速率来自单个松散测试：以一个固定形状对一些随机输入运行内核，如果输出接近参考值则接受它。内核可以通过该测试，但仍然默默地出错。它可以返回一个普通数字，其中真实答案是 NaN 或无穷大，每次运行都不同，在形状变化时中断，或者在 fp16 中累积，其中引用保持 fp32 总计。我们构建了正确检查正确性的工具：一个具有十二个对抗性门的合同级验证器，每个门都是正确的内核必须满足的属性，其中一些是无容差的，因此任何阈值的选择都不能解释失败。面向外部，验证者审核 2,638 个机器生成的内核，公共系统自己的工具已将这些内核视为正确。调查发现，39.5% 的企业超出了任何容忍范围，62.1% 的企业至少存在一项违规行为。该领域的标准测试接受验证者拒绝的 1,487 个内核，而其他方式则仅接受 14 个内核。我们以四种独立的方式捍卫这一发现：7/7 阳性对照、阈值校准扫描、与参考基准本身的正确性代码 98.5% 的一致性以及分层手工审核。面向内部，验证者判断我们自己的内核：第一个本地 Blackwell tcgen05 门控线性递归 (GDN) 系列向后训练，包括该领域仍在回退运行的反向状态阶段。我们根据双精度预言机独立确定其正确性，并通过它训练五名家庭成员。报告的内核生成进展背后的正确性信号远弱于数字所显示的，而一组无容忍的合约将弥补大部分差距。评论：17 页，3 张图。也存档于 doi：https://doi.org/10.5281/zenodo.21563213 主题：机器学习 (cs.LG)；硬件架构（cs.AR）；分布式、并行和集群计算 (cs.DC) 引用为：arXiv:2608.12700 [cs.LG]（或此版本的 arXiv:2608.12700v1 [cs.LG]） https://doi.org/10.48550/arXiv.2608.12700 arXiv 通过 DataCite 发布的 DOI（待定）提交历史记录 发件人：Rishi Shah [ 查看电子邮件 ] [v1] Thu, 13 Aug 2026 01:25:56 UTC (149 KB) 全文链接：访问论文：查看标题为 A Contract-Grade Verifier for LLM-Generate GPU Kernels, and a Native Blackwell Backward for the Gated-Linear-Recurrence Family 的论文的 PDF，作者为 Rishi Shah 和其他 1 位作者 查看 PDF HTML （实验性）TeX 源代码视图许可证 当前浏览上下文：cs.LG < prev |下一页 > 新 |最近 | 2026-08 更改浏览方式：cs cs.AR cs.DC 参考文献和引文 NASA ADS Google Scholar 语义学者正在加载... BibTeX 格式的引文正在加载... 数据提供者： 书签 书目工具 书目和引文工具 书目浏览器 切换书目浏览器（什么是浏览器？） 关联论文 切换关联论文（什么是关联论文？） Litmaps 切换 Litmaps（什么是 Litmaps？） scite.ai 切换 scite 智能引文（什么是智能引文？） 与本文相关的代码、数据、媒体 代码、数据和媒体 alphaXiv 切换 alphaXiv（什么是 alphaXiv？） 链接到代码切换 CatalyzeX 论文代码查找器（什么是 CatalyzeX？） DagsHub 切换DagsHub（什么是 DagsHub？）GotitPub 切换 Gotit.pub（什么是 GotitPub？）Huggingface 切换 Hugging Face（什么是 Huggingface？）ScienceCast 切换 ScienceCast（什么是 ScienceCast？）演示 演示 Replicate 切换 复制（什么是 Replicate？）Spaces 切换 Hugging Face 空间（什么是 Spaces？）Spaces 切换TXYZ.AI（什么是 TXYZ.AI？）相关论文推荐器和搜索工具链接到影响花影响花（什么是影响花？）核心推荐器切换 CORE 推荐器（什么是 CORE？）IArxiv 推荐器切换 IArxiv 推荐器（什么是 IArxiv？）作者地点机构主题关于 arXivLabs arXivLabs：与社区合作者的实验项目 arXivLabs是一个框架，允许合作者直接在我们的网站上开发和共享新的 arXiv 功能。与 arXivLabs 合作的个人和组织都接受并接受了我们开放、社区、卓越和用户数据隐私的价值观。 arXiv 致力于这些价值观，并且只与遵守这些价值观的合作伙伴合作。您有一个能为 arXiv 社区增加价值的项目想法吗？了解有关 arXivLabs 的更多信息。这篇论文的作者有哪些