查看PDF HTML（实验性）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。该正确率来自一个单一的宽松测试：在固定形状下使用一些随机输入运行内核，如果输出接近参考值则接受它。一个内核可以通过该测试，但仍然可能是静默错误。它可能返回一个普通数字，而真实答案是NaN或无穷大，或者在不同运行中有所不同，当形状变化时会崩溃，或在fp16中累积，而参考保持一个fp32的总数。我们构建了能够正确检查正确性的工具：一个合同级验证器，包含十二个对抗门，每个门都是正确内核必须满足的属性，其中几个是无容忍的，因此没有任何阈值选择可以解释失败。该验证器面向外部，审计了2,638个被公共系统的自身框架已经接受为正确的机器生成内核。它发现39.5%的内核超出了任何容忍的论据，并且62.1%至少存在一个违规。该领域的标准测试接受了1,487个被验证器拒绝的内核，而只有14个是相反的。我们用四种独立方式来捍卫这一发现：7/7的阳性对照，阈值校准扫描，98.5%与参考基准自身正确性代码的一致性，以及分层手动审计。面向内部，验证器评估了我们自己的一个内核：第一个原生的Blackwell tcgen05训练，向后兼容被控线性递归（GDN）系列，包括该领域仍在备用运行的反向状态阶段。我们在独立的双精度oracle面前确立了其正确性，并通过它训练了五个系列成员。在内核生成中报告的进展背后的正确性信号远比数字所暗示的要弱，而一组无容忍合同将填补大部分差距。评论：17页，3个图。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]（或者arXiv:2608.12700v1 [cs.LG]，指本版本）https://doi.org/10.48550/arXiv.2608.12700 arXiv发布的DOI通过DataCite（注册待定）提交历史来自：Rishi Shah [查看邮箱][v1] 2026年8月13日星期四 01:25:56 UTC（149 KB）