先了解这件事
加州大学伯克利分校团队提出持续进化 agent 团队(Evolving Agent Teams)框架,由上层监督器根据当前瓶颈逐轮重组底层 agent 团队的角色分工与协作方式,以突破 GPU Kernel 优化中的局部最优。在覆盖 NVIDIA B200 和 H100 的四项 CUDA Kernel 任务中,该框架均超过强 coding agent 基线;相同 Token 预算下 MLA decode 任务性能达到生产环境 FlashInfer Kernel 的 74%,Claude Code 约为 51%,固定四角色团队为 31%,Codex 单 agent 为 28%。投入更多推理预算后,其生成的 MLA Kernel 在 FlashInfer-Bench 的 47 个生产负载上平均性能为 FlashInfer 的 1.21 倍,其中 36 个负载超过生产环境 Kernel。团队也指出四项主要实验各运行两次、其他场景多为单次,尚不足以支持充分统计比较。
AI 根据公开报道生成
事件进展
1 个已确认进展
- 来源：36氪 · AI
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
10月30日
36氪 · AI
伯克利团队提出 Evolving Agent Teams，用动态重组 agent 团队突破 GPU…
加州大学伯克利分校团队提出 Evolving Agent Teams，由上层监督器根据当前瓶颈逐轮重组底层 agent 团队的角色分工与协作方式，以突破 GPU Kernel 优化中的局部最优。在覆盖 NVIDIA B200 和 H100 的四项 CUDA Kernel 任务中，该框架均超过强 coding agent 基线；相同 Token 预算下 MLA decode 任务性能达到生产环境 FlashInfer Kernel 的 74%，Claude Code 约为 51%，固定四角色团队为 31%，Codex 单 agent 为 28%。投入更多推理预算后，其生成的 MLA Kernel 在 FlashInfer-Bench 的 47 个生产负载上平均性能为 FlashInfer 的 1.21 倍，其中 36 个负载超过生产环境 Kernel。团队也指出四项主要实验各运行两次、其他场景多为单次，尚不足以支持充分统计比较。