論文の概要: TileCas: Cascading Kernel Development Across Programming Abstractions

• arxiv url: http://arxiv.org/abs/2610.14740v1
• Date: Sat, 10 Oct 2026 09:00:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:54:58.091452
• Title: TileCas: Cascading Kernel Development Across Programming Abstractions
• Title（参考訳）: TileCas: 抽象プログラミングにおけるカスケーディングカーネル開発
• Abstract要約: GPUとAIアクセラレータカーネル生成によるマシン駆動プログラミングの抽象化。 我々は,複数の編集可能な抽象化レベルにわたって,コーディングエージェントがカーネルを開発できる,統一的でプラグイン可能なインターフェースであるTileCasを提案する。 TileCasをAKOとKDAの2つのコードエージェントと統合し、50のエンドツーエンドのKernelBench Level 3ワークロード上で両方の統合を評価します。
• 参考スコア（独自算出の注目度）: 15.660385556795257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Programming abstractions have traditionally been designed for humans, but code generation is increasingly performed by models and autonomous agents. We investigate abstractions for machine-driven programming through GPU and AI-accelerator kernel generation. High-level domain-specific languages (DSLs) simplify search by delegating implementation details to compilers, while lower-level representations provide finer-grained control at the cost of a larger and more complex search space. In this paper, we present TileCas, a unified, pluggable interface that enables coding agents to develop kernels across multiple editable abstraction levels. Rather than committing to a single representation, TileCas allows an agent to transfer and refine candidates across levels through Cross-Level Diagnosis, which maps correctness and performance feedback to actionable controls at different abstraction levels; Abstraction Scheduling, which selects both the candidate and representation from which subsequent refinement should proceed; and a Heterogeneous Search Tree, which preserves and revisits alternative search trajectories spanning multiple representations. We integrate TileCas with two code agents AKO and KDA, and evaluate both integrations on 50 end-to-end KernelBench Level 3 workloads across two accelerator platforms and two language models. Giving equal weight to the four accelerator-model configurations, AKO with TileCas achieves an arithmetic-mean speedup of $4.84\times$, compared with $3.75\times$ for the strongest evaluated baseline without TileCas, an improvement of 29.0%. Integrating the same interface with KDA improves its mean speedup by 69.2%, with gains in every configuration. These results show that allowing coding agents to navigate across programming abstractions can improve machine-driven software development and can be reused across different base workflows.
• Abstract（参考訳）: プログラミングの抽象化は伝統的に人間のために設計されてきたが、コード生成はモデルや自律エージェントによってますます行われている。 本稿では,GPUおよびAIアクセラレータカーネル生成による機械駆動プログラミングの抽象化について検討する。 高レベルのドメイン固有言語(DSL)は、実装の詳細をコンパイラに委譲することで検索を単純化する一方、低レベルの表現はより大きく複雑な検索スペースのコストでよりきめ細かい制御を提供する。 本稿では,複数の編集可能な抽象化レベルにまたがって,コーディングエージェントによるカーネル開発を可能にする,統一的でプラグイン可能なインターフェースであるTileCasを提案する。 単一の表現にコミットする代わりに、TileCasはエージェントがクロスレベル診断(Cross-Level Diagnosis)を通じて候補を複数のレベルに移動して洗練することを可能にする。これは、さまざまな抽象化レベルでの正確さとパフォーマンスフィードバックを実行可能なコントロールにマッピングする。 TileCasを2つのコードエージェントAKOとKDAと統合し、2つのアクセラレータプラットフォームと2つの言語モデルで50のエンドツーエンドのKernelBench Level 3ワークロード上で両方の統合を評価します。 AKO with TileCasは4つのアクセルモデルと同等の重量を与え、算術平均速度は4.84\times$で、TileCasを使わずに最も評価の高いベースラインでは3.75\times$で29.0%向上した。 同じインターフェースとKDAを統合することで、平均速度が69.2%向上し、すべての構成が向上した。 これらの結果は、コーディングエージェントがプログラミング抽象化をナビゲートできるようにすることで、マシン駆動ソフトウェア開発を改善し、異なるベースワークフロー間で再利用可能であることを示している。

関連論文リスト

• SCALECUA: Scaling Computer Use Agents with Verifiable Task Synthesis and Efficient Online RL [38.05711358650287]
  コンピュータ利用エージェント(CUA)は、視覚認識とGUI実行を通じて複雑なデジタルを自動化する強力なインターフェースとして登場しつつある。 検証可能な報酬(RLVR)を備えたオンライン強化学習は、その能力をスケールアップするための重要な方向として現れている。 検証可能なタスク合成と効率的なトレーニングを通じてCUAのオンラインRLをスケールする統合フレームワークであるScaleCUAを紹介する。
  論文  参考訳（メタデータ） (2026-07-13T07:32:35Z)
• AdaFuse: Accelerating Dynamic Adapter Inference via Token-Level Pre-Gating and Fused Kernel Optimization [84.25316984309725]
  動的スパース構造とパラメータ効率のよいアダプタ(例えばLoRA)の統合は、大規模言語モデル(LLM)を拡張するための強力な技術である。 計算負荷は最小限に抑えられるが、計算のレイテンシが急上昇し、復号速度が2.5倍以上遅くなる。 AdaFuseはアルゴリズムと基盤となるハードウェアシステムとの緊密な協調設計に基づいて構築されたフレームワークで、効率的な動的アダプタ実行を実現する。
  論文  参考訳（メタデータ） (2026-03-12T12:46:42Z)
• Beyond Quantity: Trajectory Diversity Scaling for Code Agents [51.71414642763219]
  Trajectory Diversity Scalingは、コードエージェントのためのデータ合成フレームワークである。 TDScalingは、(1)実際のサービスの論理的依存関係をキャプチャするBusiness Clusterメカニズム、(2)軌道コヒーレンスを強制するブループリント駆動のマルチエージェントパラダイム、(3)ロングテールシナリオを指向する適応的な進化メカニズムの4つの革新を統合しています。
  論文  参考訳（メタデータ） (2026-02-03T07:43:03Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• SuperCoder2.0: Technical Report on Exploring the feasibility of LLMs as Autonomous Programmer [0.0]
  SuperCoder2.0は、人工知能によるソフトウェア開発を強化するために設計された高度な自律システムである。 システムは、AIネイティブな開発アプローチとインテリジェントエージェントを組み合わせて、完全に自律的なコーディングを可能にする。
  論文  参考訳（メタデータ） (2024-09-17T13:44:42Z)
• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• ADS_UNet: A Nested UNet for Histopathology Image Segmentation [1.213915839836187]
  我々は,浅層層に資源効率の高い深層監視を組み込んだ段階的付加的学習アルゴリズムであるADS UNetを提案する。 ADS_UNetは、CRAGおよびBCSSデータセット上で、最先端のTransformerベースのモデルを1.08および0.6ポイント上回る性能を示す。
  論文  参考訳（メタデータ） (2023-04-10T13:08:48Z)
• ColonFormer: An Efficient Transformer based Method for Colon Polyp Segmentation [1.181206257787103]
  ColonFormer はエンコーダとデコーダのアーキテクチャで、長距離セマンティック情報をモデル化できる。 ColonFormerは、すべてのベンチマークデータセットで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2022-05-17T16:34:04Z)
• Learning to Generate Content-Aware Dynamic Detectors [62.74209921174237]
  サンプル適応型モデルアーキテクチャを自動的に生成する効率的な検出器の設計を新たに導入する。 動的ルーティングの学習を導くために、オブジェクト検出に適したコースツーファインの成層図を紹介します。 MS-COCOデータセットの実験により、CADDetはバニラルーティングに比べて10%少ないFLOPで1.8以上のmAPを達成することが示された。
  論文  参考訳（メタデータ） (2020-12-08T08:05:20Z)

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。