auto-tuning

来自NUS（新加坡国立大学）的一篇论文介绍了Loom——一个免调优的符号编译框架，将基于tile的SPMD编译建模为在符号调度上的CP-SAT优化问题。在Tenstorrent Wormhole和Blackhole平台上，Loom针对GEMM、Flash Attention和Flash Decode等负载，在无需针对每种形状进行性能剖析的情况下，达到了厂商优化版TTNN库的性能，甚至有所超越。

AutoTuneBench 提出了一个基准和测量协议，用于LLM服务引擎的可信代理自动调优，解决了诸如稻草人基线和基础设施缺陷等故障模式，以确保可靠的结果。

一篇技术博文介绍了一种 Lean4-to-TileLang 张量程序超级优化器，能自动生成优化的 GPU/TPU 内核与超参数缩放规律，展示了相较 torch.compile 的性能提升。

GEPA 是一款开源工具，可基于执行轨迹和评分自动优化提示指令，无需更换模型，就能将 Claude Haiku 4.5 的通过率从 65% 提升到 85%。