本文作者包括明尼苏达大学的李世阳（共同第一作者），张子健（共同第一作者），Winson Chen，罗越波，洪明毅，丁才文。 现有的 LLM 自动化 CUDA 方法大多只能优化单个 Kernel，面对完整的端到端 GPU 程序（如整个 VisionTransformer 推理）往往束手无策。 本文中， StitchCUDA 提出了一个根本性的问题转向：从优化单个 Kernel，到生成完整的端到端 GPU 程序 。通过多智能体协作框架与基于 Rubric Reward 的 Agentic RL，StitchCUDA 在 KernelBench Level 3 端到端任务上实现了 90% 的成功率和 1.50× 的平均加速比 ，分别比多智能体基线高出 1.72× 和 RL 模型基线高出 2.73×。 论文标题：StitchCUDA: An Automated Multi-Agents End-to-End GPU Programming Framework with Rubric-based Agentic Reinforcement Learning CUDA 代码的性能对当今模型训练与推理至关重要。近年来，基于 ...