用 Codex 做 Auto-research 他如何把 Kernel 提速 232 倍

拆解 GPU Mode 竞赛经验：可测反馈环、1500+ 次提交、idea 多样性与 Codex 爬山，而不是单次神提示。

用 Codex 做 Auto-research 他如何把 Kernel 提速 232 倍

2026-08-15 前后，一篇 Auto-research with codex 在 HN 重新走红：作者在 GPU Mode 的 Householder QR 内核赛里拿到约 232× 相对 baseline 加速，183 人中第 12。关键方法是把竞赛收成 agent 可爬山的闭环，单次神提示撑不起这个名次。

作者：CodePass 技术编辑

为什么这题适合 auto-research

组委会提供 popcorn CLI：测、打分、提交都能脚本化，且允许高密度提交（作者 14 天超 1500 次）。Agent 最吃「紧反馈」：形状维明细、几何平均耗时、正确性检查器。没有这条环，所谓 research agent 只是聊天。

作者强调：你不必先成 NVIDIA 专家也能拿到可观加速；但把「未知未知」变成「已知未知」后，提示质量会跳一档。他先和 Claude 把 blocked Householder / WY update 架构谈清，再把实现交给 Codex 循环。

Codex-maxxing 的几条实操

文中可迁移的做法包括：

  • 让循环同时探索多条 idea，避免卡在局部最优；单独一条「看起来最好」的轨迹会自我强化错误假设。
  • 实现提示要带约束与检查器口径（返回格式必须过 torch.geqrf 风格校验），而不是只说「再快点」。
  • 把串行依赖（Householder 列间依赖）显式写进上下文，否则模型会瞎并行。
  • 记录 breakthrough：哪次改动同时动了算法结构与 kernel 细节，便于回放。

对日常工程的含义

多数业务代码没有 1500 次免费提交。能借鉴的是：先把评测做成 CLI，再让 Codex / Claude Code 进环；没有 oracle 的「自动研究」只会烧钱。和 vibe 一把梭相反，这里人负责问题形式化与多样性策略，模型负责在环里穷举实现。GPU 内核只是极端例子，单测+基准同样能搭同构流水线。