CUDAnalyst: Un Framework per l'Attribuzione in Agenti LLM Auto-Evolventi per la Generazione di Kernel CUDA

Uno studio recente pubblicato su arXiv presenta CUDAnalyst, un framework di analisi completo progettato per l'attribuzione controllata delle decisioni di pianificazione agli elementi di feedback in agenti LLM auto-evolventi focalizzati sulla generazione di kernel CUDA. Questa ricerca affronta le sfide della comprensione di come le decisioni di pianificazione integrino e attribuiscano diversi segnali di feedback attraverso le generazioni. I metodi tradizionali di ablazione end-to-end sono inadeguati, poiché la pianificazione iterativa può amplificare le perturbazioni iniziali e mescolare le influenze del feedback con variazioni dipendenti dalla traiettoria. CUDAnalyst impiega tecniche come il congelamento della traiettoria e l'iniezione selettiva di feedback per facilitare valutazioni stabili a livello di generazione e offre un approccio basato su principi per l'attribuzione coalizionale. I risultati indicano che la pianificazione esplicita è vantaggiosa solo quando il feedback è coerente, e che una pianificazione efficace emerge da interazioni organizzate di feedback multipli.