摘要
我们提出了 KernelArc，一个用于跨异构工作负载的 GPU 内核自动优化的多智能体框架。策略专精的智能体并行运行，并通过仅包含结论的共享内存、确定性基准测试守护以及带有平台期触发的草稿机制的只读跨智能体状态进行协调。我们在 NVIDIA H100 和 B200 GPU 上，使用具有类别代表性的 SOL-ExecBench 工作负载对 KernelArc 进行了评估。由此产生的实现涵盖了自定义 BF16 GEMM、静态 cuBLASLt Expert-API 配置表、融合的混合专家反向传播、形状门控的解码器层融合、原生 NVFP4 分组查询注意力以及分页预填充注意力。在 2026 年 7 月 30 日记录的公开 SOL-ExecBench 排行榜快照中，这些提交在代表性的 L1、L2、量化 和 FlashInfer 任务上均排名第一。这些轨迹支持了论文的核心动机：共享的多智能体搜索可以在固定的候选预算内拓宽探索范围并达到更强的现有最优结果，而各个协调功能的价值则取决于内核和优化阶段。