在苹果设备上，AI 技术正展现出惊人的潜力。根据 Gimlet Labs 的最新研究，AI 能够自动生成优化的 Metal 内核，使得 PyTorch 推理速度提​A升了87%。这一突破性成果不仅提高了性能，还在测试的215个 PyTorch 模块上实现了平均1.87倍的加速，某些工作负载的速度甚至提高了数百倍。

研究人员选I 取了来自多个顶尖机构的八个 AI 模型，包括 Anthropic、DeepSeek 和 OpenAI，利用这些模型为苹果设备生成优化的 GPU 内核。这一过程生成无需修改用户代码或使用新的框架，直接在苹果硬件上提升模型性能。

在实验中，研究团队选择了 Mac Studio （搭载 Apple M4Max 芯片） 进行测试，基准优化设置为 PyTorch 的 eager 模式。实验采用了 KernelBench 数据集中的215个 PyTorch 模块，这些模块被分为三类，涵盖从简单的矩阵 M乘法到完整的模型架构。

测试过程包括接收输入和 PyTorch 代码，生成 Metal 内核，并评估其正确性。数据显示，随着尝试次数的增加，AI 生成内核的正确et性逐步提升。例如，在第五次尝试时，正确实现的比例达到了94%。此外，模型们在生成内核时表现出了跨层级的能力，尽管非推理模型有时也能生成有效内核。

实al验结果表明，GPT-5模型在某些任务上实现了4.65倍的速度提升。更令人惊讶的是，o3模型在某些情况下甚至将延迟降低了9000倍。研究还发现，单一模 内型在某些任务上并不总是表现最好，多个模型的结合能够生成更优的内核。

为了进一步提升性能，研究者尝试引入额外上下文信息，如 CUDA 实现和 gputra核，ce 的性能分析数据，结果显示这种方法在性能加速方面达到了平均1.87倍，相比于普通智能体的1.31倍提升了三倍。

需要注意的是，研究人员强调，这一Py工作并不是为了展示最终的性能极限，而是为了验证 AI 在内核生成中的可行性，希望通过自动化减少开发人员的负担。整体而言，这项研究标志着 AI 技术在硬件优化领域To的一个重要进展。

github:https://github.com/ScalingIntelligence/KernelBench/

划重点: rc 

AI 自动生成 Metal 内核，提升 PyTorch 推理速度87%。  

️ 在215个 PyTorch 模块上实现平均1.87h 倍的加速，部分工作负载速度提升数百倍。  

研究旨在验证 AI 在内核生成的可行性，助力硬件优化。  

• ·标签: 人形机器人 具身智能 工信部 标委会
• ·小模型大趋势！Google 提出两个模型：体积下降7倍，速度提升10倍
• ·微信公众号上线智能回复功能：数字分身7*24小时陪聊
• ·云计算开发：Python3数学函数round()方法详解
• ·标签: 平安好医生 平安医博通 AI家庭医生 御享国医
• ·标签: 哈贝马斯 法兰克福学派 公共领域 交往理性
• ·kimi-k2-turbo-preview模型输出速度已提升至每秒 60 Tokens
• ·标签: 雷军 小米 胡润百富榜 增长王
• ·标签: 尚界 肖战 尚界Z7 鸿蒙智行
• ·苹果 FastVLM 上线:5分钟体验85倍速视觉 AI，数据永不出设备
• ·​出版行业面临 “谷歌零点击” 危机，寻求新出路
• ·标签: 字节跳动 火山引擎 人形机器人 具身智能
• ·MiniMax放大招！M2.1模型即将上线，开源AI赛道再掀性能与价格革命
• ·标签: 小米汽车 宋钢 于立国 雷军
• ·小模型大趋势！Google 提出两个模型：体积下降7倍，速度提升10倍
• ·苹果电池容量阈值为80%，较低时需要换电池吗？得换原装的吗？