作者：林岚｜OC 开发者生态编辑

开发者 Sankalp 在比赛复盘中称，他借助 Codex、Claude 和自动化测试循环，在 GPU Mode 与 Core Automation 举办的 QR 分解竞赛中，把基准总耗时从约 419000 微秒降至 1805 微秒，约快 232 倍，最终排名第 12，共 183 名参赛者。

一句话结论：232 倍不是 AI 把任意生产 CUDA 程序普遍加速 232 倍，而是在固定 B200、固定输入分布和竞赛校验器下，用 14 天、1500 多次提交把通用库基线改成高度专用内核。

任务要求对一批 FP32 方阵执行紧凑 Householder QR 分解，返回与 torch.geqrf 相同形式的 H 和 tau。校验器会重建 Q，检查 A≈QR、正交性和上三角结果，再按多种尺寸与条件数样本的几何平均耗时排名。内部可以使用 FP16、FP8 或 NVFP4，但返回结果仍要通过接近 FP32 的检查。

性能突破来自把串行工作限制在窄面板，再用 blocked Householder 和 WY 表示把后续更新变成适合 Tensor Core 的矩阵乘法。不同矩阵尺寸、批量和低秩分布又使用不同策略。换句话说，模型没有发明 QR 分解，而是快速组合了成熟算法、低精度余量、融合和硬件特化。

Codex 的作用是执行长反馈循环：修改代码、通过 Modal 和分析器测量、提交排行榜、记录成功失败，再维护多个候选分支。作者仍要学习算法、判断瓶颈、设计提示并阻止局部最优。自动化降低的是实验吞吐成本，不是领域知识归零。

此前 OC 报道过，一批通过标准测试的 AI 生成 GPU 内核在严格验证下有 98.5% 失败。今天的案例不是反例，因为这个比赛有明确校验器且最终结果被持续测试；它同时提醒我们，竞赛正确性仍只覆盖给定合同，不能自动外推到所有输入、硬件和生产容错要求。

关键事实

• 任务：NVIDIA B200 上的批量紧凑 Householder QR 分解
• 结果：约 419000 微秒降至 1805 微秒，作者报告约 232 倍加速
• 投入：14 天、超过 1500 次提交，最终第 12/183
• 边界：相对特定基线、硬件、输入分布和校验器

OC 判断

这类自动研究最适合目标可执行、反馈便宜、正确性可机器判定的任务。AI 能把一次次试验变成流水线，但人仍要定义合同和判断哪些捷径越界。没有严格测试，232 倍可能只是 232 倍地更快算错。

为什么重要

• 对开发者：应先投资可重复基准、正确性检查和实验日志，再扩大 Agent 循环。
• 对团队：专用内核可能带来巨大收益，也会增加硬件绑定和维护成本。
• 对读者：性能倍数必须连同基线、数据分布、精度与排行榜名次一起阅读。

参考来源

• Autoresearch: 232x Speedup on a GPU Kernel with Codex