KernelSeek：靠“提问”而非堆工具的编码 Agent，1.13× 跑赢 FlashAttention-3
Snowflake · hf · 2026-11-05
论文《Ask, Don't Equip》提出 KernelSeek，一个问题驱动的 LLM 编码 agent，用于 GPU kernel 深度优化。作者指出脚本式 agent 与开放式 agent 都缺“方向”——即在对的时刻提出关于剩余差距的假设。KernelSeek 由通用编码 agent、强制可验证目标的最小 harness、以及决策点上的提问（先来自人类，后由 agent 从题库自问）构成。同一任务、评测器、硬件与一周时间内，工具堆满的主流自主 agent 在 133 步后停滞于 0.50× FlashAttention-3，KernelSeek 达到 1.13×，并生成无依赖的 FlashAttention 前向 kernel（不依赖 CUTLASS、CuTe、cuBLAS、cuDNN），在 Hopper 与 Blackwell 上全部 182 个场景正确，对 FA-3/FA-4 几何平均分别达 1.16× 与 1.46×。
「编程与Agent」频道最新
- 现评测太干净:研究者构建混乱真实工作任务模拟来考 AI — KLdivergence · 2026-11-05
- 评测为何失真:清晰指令只测指令遵循,恰是后训练最擅长的 — KLdivergence · 2026-11-05
- shadcn 作者：什么都塞进 Registry,录屏应用 Videorc 晒组件库实践 — shadcn · 2026-11-05
- 用 Jev 搭邮件自动退订流程：结合浏览器上下文，一周后收件箱空前干净 — threepointone · 2026-11-05
- 不用 LLM 监控 LLM：Olki 用类型系统为 Agent 行为分类 — bigdata · 2026-11-05
- Coda 公式语言十年学习曲线反成优势：确定性 Agent 记忆运行时 — bfrench · 2026-11-05