論文の概要: From Prompts to Performance: Evaluating LLMs for Task-based Parallel Code Generation

• arxiv url: http://arxiv.org/abs/2602.22240v1
• Date: Tue, 24 Feb 2026 09:49:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.317355
• Title: From Prompts to Performance: Evaluating LLMs for Task-based Parallel Code Generation
• Title（参考訳）: プロンプトからパフォーマンスへ:タスクベース並列コード生成のためのLLMの評価
• Authors: Linus Bantel, Moritz Strack, Alexander Strack, Dirk Pflüger,
• Abstract要約: 大規模言語モデルは、コード生成において強力な能力を示すが、効率的な並列プログラムを作成するスキルは、あまり研究されていない。 本稿では,LLMが3種類の入力プロンプトからタスクベースの並列コードを生成する方法について検討する。 我々は,OpenMP Tasking,C++標準並列処理,非同期多タスクランタイムHPXの3つのプログラミングフレームワークに注目した。
• 参考スコア（独自算出の注目度）: 39.426381252597146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLM) show strong abilities in code generation, but their skill in creating efficient parallel programs is less studied. This paper explores how LLMs generate task-based parallel code from three kinds of input prompts: natural language problem descriptions, sequential reference implementations, and parallel pseudo code. We focus on three programming frameworks: OpenMP Tasking, C++ standard parallelism, and the asynchronous many-task runtime HPX. Each framework offers different levels of abstraction and control for task execution. We evaluate LLM-generated solutions for correctness and scalability. Our results reveal both strengths and weaknesses of LLMs with regard to problem complexity and framework. Finally, we discuss what these findings mean for future LLM-assisted development in high-performance and scientific computing.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、コード生成において強力な能力を示すが、効率的な並列プログラムを作成する技術は研究されていない。 本稿では,LLMが自然言語問題記述,逐次参照実装,並列擬似コードという,3種類の入力プロンプトからタスクベースの並列コードを生成する方法について検討する。 我々は,OpenMP Tasking,C++標準並列処理,非同期多タスクランタイムHPXの3つのプログラミングフレームワークに注目した。 各フレームワークは、タスク実行のための異なるレベルの抽象化と制御を提供します。 我々は,LLMの生成した解の正確性とスケーラビリティを評価する。 この結果から, LLM の長所と短所は, 複雑化と枠組みの両面から明らかとなった。 最後に,これらの知見が今後の高性能・科学計算におけるLCM支援開発にどのような意味を持つのかを論じる。

関連論文リスト

• Pseudocode-Injection Magic: Enabling LLMs to Tackle Graph Computational Tasks [15.69049038121735]
  グラフ計算タスクは本質的に困難であり、しばしば効率的な解に対する高度なアルゴリズムを要求する。 既存のアプローチは、複雑なグラフ構造を理解するための大きな言語モデルの制限された能力によって制約される。 問題理解,迅速な設計,コード生成という3つの重要なステップから構成される新しいフレームワークであるPIEを紹介する。
  論文  参考訳（メタデータ） (2025-01-23T15:04:22Z)
• What's Wrong with Your Code Generated by Large Language Models? An Extensive Study [92.62952504133926]
  本研究は,3つの一般的なベンチマーク上で,3つの主要なクローズドソースLLMと6つの人気のあるオープンソースLLMの性能評価を行った。 間違ったコードに対するバグの分類を開発し、一般的なバグタイプに対する根本原因を分析した。 本稿では,自己批判を導入し,LLMが生成したコードに対する批判と修正を可能にする,新たな学習自由反復手法を提案する。
  論文  参考訳（メタデータ） (2024-07-08T17:27:17Z)
• APPL: A Prompt Programming Language for Harmonious Integration of Programs and Large Language Model Prompts [21.819126948549766]
  大規模言語モデル(LLM)は、巧妙なプロンプトの助けを借りて、多様なタスクを扱う能力が高まっている。 APPLはコンピュータプログラムとLLMの間のブリッジとして機能し、Python関数へのプロンプトのシームレスな埋め込みを可能にする。
  論文  参考訳（メタデータ） (2024-06-19T02:29:59Z)
• If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
  大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練される コードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
  論文  参考訳（メタデータ） (2024-01-01T16:51:20Z)
• An LLM Compiler for Parallel Function Calling [68.04566807806071]
  我々は,複数の関数呼び出しを効率的にオーケストレーションするために並列に関数を実行するLLMCompilerを紹介する。 ReActと比較して、一貫したレイテンシの高速化が3.7倍、コストの削減が6.7倍、精度が9%向上している。
  論文  参考訳（メタデータ） (2023-12-07T18:32:04Z)
• CodeScope: An Execution-based Multilingual Multitask Multidimensional Benchmark for Evaluating LLMs on Code Understanding and Generation [18.354576598908448]
  LLM(Large Language Models)は、人間のプログラミング支援に優れた性能を発揮している。 LLMのコード理解と生成能力を評価するための既存のベンチマークは、厳しい制限に悩まされている。 実行ベース,多言語,マルチタスク,多次元評価ベンチマークであるCodeScopeを紹介する。
  論文  参考訳（メタデータ） (2023-11-14T23:18:52Z)
• Low-code LLM: Graphical User Interface over Large Language Models [115.08718239772107]
  本稿では,人間-LLMインタラクションフレームワークであるLow-code LLMを紹介する。 より制御可能で安定した応答を実現するために、6種類のシンプルなローコードビジュアルプログラミングインタラクションを組み込んでいる。 ユーザフレンドリなインタラクション,制御可能な生成,広い適用性という,低コード LLM の3つの利点を強調した。
  論文  参考訳（メタデータ） (2023-04-17T09:27:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。