论文提出按内核自适应选择剖析信息的 AutoProfiler 框架。
资讯摘要
论文指出，GPU 内核优化中并非剖析指标越多越好，最有用的剖析信息因内核而异。作者提出 AutoProfiler，从优化反馈中学习一棵确定性剖析树，通过 REWRITE 与 SPLIT 操作迭代改进，由 LLM 生成候选修改、以实测结果决定是否采纳。树构建完成后可快速为任意内核收集所需信息，LLM 重写器只需调用一次。在 KernelBench 上，该方法在受限剖析预算下优于固定剖析配置。
要点速读
- 论文称增加剖析指标数量不会单调提升内核优化效果，且最有用的剖析信息随内核变化。
- AutoProfiler 通过 REWRITE 和 SPLIT 操作迭代构建剖析树，由 LLM 生成候选修改、实测决定采纳。
- 在 KernelBench 上，该方法在受限剖析预算下优于固定剖析配置，代码已在 GitHub 公开。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。