Meta「轻量级」KernelLLM颠覆GPU内核生成，8B参数碾压GPT-4o

【导读】Meta推出KernelLLM，这个基于Llama 3.1微调的8B模型，竟能将PyTorch代码自动转换为高效Triton GPU内核。实测数据显示，它的单次推理性能超越GPT-4o和DeepSeek V3，多次生成时得分飙升。

在AI领域，参数规模曾被视为「性能天花板」。

Meta最新发布的KernelLLM，却用8B参数的「小身板」，在GPU内核生成任务中把200B的GPT-4o按在地上摩擦。

这是一个基于Llama 3.1 Instruct进行微调的8B参数模型，旨在将PyTorch模块自动转换为高效的Triton GPU内核。

KernelLLM简直是GPU内核开发神器，用更少的参数实现了更强的性能，且简单易用。

它只有8B参数，但是在KernelBench-Triton Level 1，单次推理性能超过了GPT-4o和DeepSeek V3。

通过多次推理，KernelLLM性能优于DeepSeek R1。

这一切都来自一个参数规模比竞争对手小两个数量级的模型。

@Denis Kanonik吐槽「这又是用测试集训练的吗？」

KernelLLM让内核开发更易上手

KernelLLM是一款基于Llama 3.1 Instruct的8B模型，专门针对用Triton编写GPU内核的任务进行了训练。

它能让GPU编程变得更简单，实现高性能GPU内核生成的自动化。

KernelLLM通过自动化生成高效的Triton实现，满足对高性能GPU内核日益增长的需求。

随着工作负载的增大和加速器架构的多样化，对定制化内核解决方案的需求显著增加。

现在市面上很多相关工具，要么只能在测试的时候优化，要么就只盯着KernelBench的问题调优，很难应对更广泛的场景。

KernelLLM是首个在外部（PyTorch，Triton）代码对数据上进行微调的LLM。

Triton内核生成工作流程

把PyTorch代码输进去，KernelLLM就会生成Triton内核候选代码。

然后用单元测试来验证这些代码，用随机输入跑一跑，看看输出对不对。要是生成好几个候选代码，还能比比哪个最好，挑出最优的。

KernelLLM的Triton内核生成流程：用KernelLLM把PyTorch代码翻译成Triton内核的候选代码。生成的代码会通过单元测试验证，测试用已知形状的随机输入数据运行内核。这个流程支持生成多个候选代码（通过 pass@k评估），增加候选数量来提高质量，最后选出最好的Triton内核实现作为输出（绿色部分）

为了训练这个模型，团队可是下了大功夫，用了25000多对（PyTorch，Triton）代码示例，还有合成的样本。

这些数据一部分来自TheStack的过滤代码，一部分是通过torch.compile () 和提示技术生成的。

数据集KernelBook，参考链接：https://huggingface.co/datasets/GPUMODE/KernelBook。

训练时用的是Llama3.1-8B-Instruct模型，在自定义数据集上做了监督微调（SFT），测试它在KernelBench-Triton上生成正确Triton内核及调用代码的能力。

KernelBench-Triton是基于KernelBench[Ouyang et al. 2025]开发的变体，专注Triton内核生成。

训练和评估时，PyTorch代码会配置一个包含格式示例的提示模板作为指令。

模型训练了10个epoch，批大小为32，采用标准SFT方法，超参数根据验证集的困惑度（perplexity）来选择。

训练用了16个GPU，共耗时12小时（192 GPU小时），报告了最佳检查点的验证结果。

性能评估

尽管模型规模较小，但其性能可与最先进的LLM相媲美。

KernelBench-Triton测试中，8B参数的KernelLLM，单次推理得分20.2，比671B参数的DeepSeek V3（16分）和200B参数的GPT-4o（15分）都高。

要是多生成几个候选代码，得分还能蹭蹭往上涨，生成10个的时候能到51.8分，20个的时候能到57.1分。

KernelLLM推理用temperature=1.0和top_p=0.97运行。

在KernelBench上测试了模型，这是一个开源基准测试，用于评估LLM编写的高效GPU内核的能力。

它包含250个精心挑选的PyTorch模块，按负载调整，从简单的单操作（如Conv2D或Swish，Level 1）到完整的模型架构（Level 3）。

它在不同难度的任务里表现都很稳，不管是简单的单个操作符，还是复杂的模型架构，都能应对。

测试会同时降低代码的正确性（通过与参考PyTorch输出对比）和性能（通过与基准实现的加速比）。

团队开发了一个新的KernelBench-Triton变体，专门评估LLM生成Triton内核的能力，非常适合测试KernelLLM。

所有测试都在NVIDIA H100 GPU上完成。

KernelLLM在pass@k中表现出近似对数线性的扩展行为

KernelLLM怎么用？

先装几个依赖包：

pip install transformers accelerate torch triton

用的时候，先导入库，调用generate_triton函数，就能生成优化后的Triton代码啦。

KernelLLM提供了一个简单的接口，用于从PyTorch代码生成Triton核。

from kernelllm import KernelLLM
# Initialize the model
model = KernelLLM()
# Define your PyTorch module
pytorch_code = 
'''
import torch
import torch.nn as nnclass Model(nn.Module):    
"""
    A model that computes Hinge Loss for binary classification tasks.    
"""    
    def __init__(self):        
        super(Model, self).__init__()     
    def forward(self, predictions, targets):        
        return torch.mean(torch.clamp(1 - predictions * targets, min=0))
batch_size = 128
input_shape = (1,)
def get_inputs():    
    return [torch.randn(batch_size, *input_shape), torch.randint(0, 2, (batch_size, 1)).float() * 2 - 1]
def get_init_inputs():
    return []
'''
# Generate optimized Triton code
optimized_code = model.generate_triton(pytorch_code, max_new_tokens=512)
print(optimized_code)

要是不想写脚本，还能直接运行python kernelllm.py，使用内置的REPL接口，打开交互式界面，实时看结果。

kernelllm.py提供了多种与模型交互的方法。

python kernelllm.py

KernelLLM提供了几种自定义生成过程的方法：

from kernelllm import KernelLLM
model = KernelLLM()
# Stream output in real-time
model.stream_raw("Your prompt here", max_new_tokens=2048)
# Generate raw text without the Triton-specific prompt template
raw_output = model.generate_raw("Your prompt here", temperature=1.0, max_new_tokens=2048)

有时它会犯点小错误，比如API引用不对、语法出错，有时候还不太能按指令生成理想的内核。

生成的代码结构有点像编译器自动吐出来的，有时在变量命名、张量形状、类型处理和数值精度这些细节上也容易出问题。

参考资料：

https://x.com/reach_vb/status/1924478755898085552

https://huggingface.co/facebook/KernelLLM