用 Codex 自动化研究拿 232 倍加速：GPU Mode 内核赛第 12 名复盘
dejavucoder · x · 2026-10-06
作者复盘在 GPU Mode 与 Core Automation 合办的 auto-research 主题内核竞赛中的经历：用 Codex 做「自动化研究」（有人称 loop engineering），在批量 Householder QR 分解（qrv2）问题上取得相对 baseline 232 倍加速，183 名参赛者中排第 12。
核心思路：
- 推理优化正在沿抽象层级上移——关键不再是手写最快的 kernel，而是如何为 AI agent 定义好优化上下文、I/O、约束和测试环境。
- 先自己学到能提出更好问题的程度（理解 blocked Householder 算法等数学），再让 agent 接力。
- 通过引入想法多样性逃出局部最优，配合实现层面的提示技巧推动突破。
这是作者首次认真尝试 auto-research，文中详细记录了瓶颈与可以做得更好的地方。
「编程与Agent」频道最新
- 用 RAG+LLM 搭课程 FAQ 自动问答,RRF 融合检索自动去重 — Al_Grigor · 2026-10-06
- 数十个 agent 全天候自跑,开发者直呼被 AI 生产力震到清醒 — kevinnbass · 2026-10-06
- AI 记忆系统五原则：存储、结构化、检索、更新、遗忘 — goyalshaliniuk · 2026-10-06
- 热议:真正的 AI 自动研究循环可能两个月内到来 — A_K_Nain · 2026-10-06
- 开发者开源 agent-notify:让 AI 智能体只在要紧事时给你发邮件 — CyrisXD · 2026-10-06
- 北大 Code2Games：编码智能体生成可玩 3A 游戏世界并适配 UE5 — PekingUniversity · 2026-10-06