澳洲幸运10开奖预测最新活动

澳洲幸运10开奖预测最新版下载

展现出在GPU原生Kernel生成任务上的领先性能。

展现出在GPU原生Kernel生成任务上的领先性能。 继续了解其完整后训练流程均在基于MTT S5000构建的夸娥智算集群上完成。在KernelBench严格评测中,MusaCoder-27B-RL以Overall Pass@8 93.2%、Avg.@8 88.60%的成绩,超越Claude Opus 4.7、GLM-5.1、DeepSeek-V4 Pro、Kimi K2.6等主流SOTA代码模型,摩尔线程正式公布并开源面向GPU底层算子生成的专用代码大模型MusaCoder。这是业内首个基于国产GPU算力底座完成全链路训练与验证的开源代码大模型,近日,

继续了解其完整后训练流程均在基于MT

KernelBench准确率(Avg.@8)对比

 

s MusaCoder模型权重已开源:https://huggingface.co/MooreThreads/MusaCoder-27B

s MusaCoder论文地址:http://arxiv.org/abs/2606.04847

 

MusaCoder:专为GPU设计的高性能算子生成模型

MusaCoder是摩尔线程面向GPU底层算子生成任务设计的专用代码大模型,包含9B和27B两个参数规模。 更多阅读该模型重点支持从PyTorch标准算子自动生成高性能CUDA/MUSA原生Kernel代码,,

传统代码大模型虽然具备较强的通用编程能力,并在真实执行中获得性能收益。生成代码不仅要语法正确,但在GPU Kernel生成任务中仍面临显著挑战:一方面,GPU Kernel 对并行计算、线程组织、内存访问、索引映射和硬件执行特性要求极高;另一方面,还必须能够通过编译、数值正确性验证、反作弊检测,

在KernelBench严格评测中

MusaCoder训练总流程

使模型能够从基础代码能力逐步进化为具备底层算子生成与修复能力的专用模型。MusaCoder构建了一套面向GPU原生算子(CUDA/MUSA)生成的大模型全栈后训练方法论。该流程覆盖数据构建、执行验证、强化学习优化等关键环节,针对上述难点,

s 在数据构建阶段,,,

s 在评测与训练环境方面,摩尔线程构建了 Mooreevals 分布式执行验证系统。Mooreevals 能够对模型生成的代码进行自动编译、执行、正确性验证、性能测试和反作弊检测,并将结果转化为稳定的训练反馈信号。这使得模型不仅能学习“写出能运行的代码”,还能够进一步学习“写出正确、合法且更高效的原生 GPU Kernel”。

s 在强化学习阶段,,,,


核心成果:正确率与真实加速能力双提升

MusaCoder-27B-RL在KernelBench评测中取得了显著领先表现。在Mooreevals执行式验证协议下,

MusaCoder-27B-RL以O

而Avg.@8则衡量8个样本的平均正确率。 更多阅读表1:KernelBench评估结果对比。Pass@8表示8个采样代码中至少有一个通过验证,

s 高准确率超越SOTA:从正确率来看,MusaCoder-27B-RL的Pass@8和Avg.@8分别领先Claude Opus 4.7的18个百分点和26.5个百分点。Avg.@8达到88.60%,MusaCoder-27B-RL的优势更加明显。Level 3任务通常涉及复杂shape推导、索引映射和多算子组合,MusaCoder-27B-RL的Overall Pass@8达到93.2%,对模型的底层代码理解能力和调试能力提出了更高要求。在该难度级别上,均超过Claude Opus 4.7的87.2%和77.30%。在更具挑战性的Level 3任务上,

s 真实加速能力突出:分别高于Claude Opus 4.7的 11.8%和7.5%。并且相比PyTorch baseline获得有效加速的候选实现,才会被计入 Faster Rate。MusaCoder-27B-RL的Overall Faster Rate达到15.0%(vs. PyTorch Eager)和9.2%(vs. torch.compile),只有同时通过正确性验证、合法性检查,在Mooreevals标准下,

也更有能力生成具备实际性能收益的原生算子代码。这表明MusaCoder不仅能够更稳定地生成正确的GPU Kernel,


国产GPU完成全流程后训练,验证夸娥智算集群能力

MusaCoder均依托摩尔线程旗舰级AI训推一体智算卡MTT S5000所构建的夸娥智算集群完成。模型的SFT(监督微调)、RFT(拒绝采样微调)、RL(强化学习)、异步rollout、在线编译执行验证及reward计算等全栈训练与验证流程,

对硬件、编译栈、运行时、调度系统和评测基础设施都提出了更高要求。更能够稳定承载代码大模型后训练全周期算力需求。尤其是在GPU Kernel生成这一类任务中,充分验证了国产GPU不仅能够支撑大模型推理和常规微调任务,训练系统需要频繁进行代码生成、编译、执行、验证和反馈计算,这一成果,

MusaCoder的成功实践,也展现了摩尔线程在AI软件栈、训练平台、评测系统和开源模型生态方面的将一次模型训练验证沉淀为可复用的工程范式:不仅为AI Coding、AI Infra等基础设施的自主可控提供了实践范例,完整工程支撑能力。


共建开放生态,推动国产AI创新与应用

MusaCoder的正式开源,,,

同时,推动异构计算编程、AI编译优化和自动化Kernel生成等方向的开放研究与技术交流。MusaCoder也为高校、科研机构和开源社区提供了一个基于国产全功能GPU的代码生成研究平台,

并进一步探索与IDE插件、自动调试工具、profiling工具等开发者工具链的结合,摩尔线程将持续增强MusaCoder在复杂任务上的生成与修复能力,逐步形成从PyTorch参考实现到MUSA原生Kernel的自动生成、验证、修复和优化闭环,未来,持续推动国产GPU生态建设与AI基础设施创新。

 


本文来源于DOIT传媒,文章内容仅供参考,不构成投资建议。

赞 ()

相关推荐

发表回复

评论列表

点击查看更多

    联系澳洲幸运10开奖预测最新活动

    微信:百易小助手

    邮件:contact@澳洲幸运10开奖预测最新活动

    工作时间:周一至周五,9:30-18:30,节假日休息

    锚定颠覆式创新