Les performances des clusters GPU se jouent au niveau du kernel. En s’appuyant sur un syst\u00e8me multi-agent collaboratif, Cursor a r\u00e9ussi \u00e0 optimiser de mani\u00e8re autonome 235 kernels CUDA d\u00e9di\u00e9s aux GPU NVIDIA Blackwell 200, g\u00e9n\u00e9rant un gain de vitesse moyen g\u00e9om\u00e9trique de 38 % en seulement trois semaines, sans intervention humaine.<\/p>\n
Pour \u00e9valuer ces gains sur 27 GPU NVIDIA Blackwell 200, l’outil SOL-ExecBench a \u00e9t\u00e9 utilis\u00e9. Loin des donn\u00e9es synth\u00e9tiques, il a extrait 235 probl\u00e8mes d’optimisation depuis 124 mod\u00e8les open-source en production (Deepseek, Qwen, Gemma, Kimi, Stable Diffusion). Cela couvre de vraies contraintes sur des charges d’entra\u00eenement et d’inf\u00e9rence pour diverses architectures (LLM, diffusion, vision, audio, vid\u00e9o, etc.).<\/p>\n
Le benchmark d\u00e9taille une grande diversit\u00e9 de complexit\u00e9s :<\/p>\n
94 kernels L1 :<\/b> Kernels simples (Softmax, LayerNorm, Activations).<\/p>\n<\/li>\n 82 kernels L2 :<\/b> Kernels complexes (Full attention blocks, MLP+SwiGLU).<\/p>\n<\/li>\n 33 kernels Quant :<\/b> Op\u00e9rations quantifi\u00e9es FP8\/FP4.<\/p>\n<\/li>\n 26 kernels FlashInfer :<\/b> Variantes d’attention sp\u00e9cialis\u00e9es du projet FlashInfer.<\/p>\n<\/li>\n<\/ul>\n Sur cet ensemble, le workflow zero-shot et it\u00e9ratif de Cursor atteint un speedup moyen de 38 %<\/b>. SOL-ExecBench compare rigoureusement ces performances aux limites th\u00e9oriques du mat\u00e9riel. Un pipeline anti-triche strict est m\u00eame en place : si des agents utilisent des tactiques trompeuses (comme la mise en cache) pour afficher des performances sup\u00e9rieures \u00e0 ce qu’un B200 peut physiquement prendre en charge, le r\u00e9sultat est invalid\u00e9.<\/p>\n 86 % de la performance cuBLAS<\/b> Chaque agent se concentre sur une \u00e9tape du pipeline : g\u00e9n\u00e9ration de code, diagnostics de goulots d\u2019\u00e9tranglement, transformations de boucles, intrinsics CUDA et optimisations m\u00e9moire. Un agent principal orchestre les it\u00e9rations jusqu\u2019\u00e0 convergence.<\/p>\n L\u2019int\u00e9gration directe dans votre pipeline CI\/CD garantit que chaque push d\u00e9clenche une recompilation et un red\u00e9ploiement des kernels optimis\u00e9s. Vous conservez ainsi des performances maximales en production sans intervention manuelle.<\/p>\n Malgr\u00e9 ces r\u00e9sultats impressionnants, plusieurs points d’attention scientifiques demeurent :<\/p>\n Le silence sur la stabilit\u00e9 num\u00e9rique :<\/b> Cursor met en avant la vitesse d’ex\u00e9cution pure, mais ne pr\u00e9cise pas si ces optimisations agressives (notamment via des calculs en pr\u00e9cision r\u00e9duite comme le NVFP4 ou le BF16) d\u00e9gradent la qualit\u00e9 des pr\u00e9dictions (l’output) du mod\u00e8le. Un kernel ultra-rapide qui alt\u00e8re la perplexit\u00e9 d’un LLM n’est pas viable en production.<\/p>\n<\/li>\n L’absence de validation de bout en bout :<\/b> Les benchmarks valident la performance isol\u00e9e du kernel, mais il manque des donn\u00e9es sur le maintien de la justesse math\u00e9matique de bout en bout sur un pipeline d’inf\u00e9rence applicatif complet.<\/p>\n<\/li>\n Le d\u00e9fi de la maintenabilit\u00e9 :<\/b> D\u00e9ployer du code assembleur g\u00e9n\u00e9r\u00e9 par des agents autonomes pose la question du d\u00e9bogage. Si une erreur complexe survient en production, l’intervention d’un ing\u00e9nieur humain sur ce code ultra-sp\u00e9cialis\u00e9 et g\u00e9n\u00e9r\u00e9 par une IA risque d’\u00eatre particuli\u00e8rement ardue.<\/p>\n<\/li>\n<\/ul>\n Malgr\u00e9 ces d\u00e9fis de co-conception hardware-software, l’int\u00e9gration de tels agents dans un pipeline CI\/CD dessine l’avenir de l’infrastructure. Adopter cette automatisation, c’est r\u00e9duire drastiquement vos co\u00fbts de calcul par token et transformer l’optimisation extr\u00eame en un avantage comp\u00e9titif continu pour vos charges IA de demain.<\/p>\n","protected":false},"excerpt":{"rendered":" D\u00e9couvrez comment Cursor utilise un syst\u00e8me multi-agent pour optimiser vos kernels CUDA avec un gain moyen de 38 % et une int\u00e9gration CI\/CD transparente.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[2],"tags":[],"_links":{"self":[{"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/posts\/8584"}],"collection":[{"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/comments?post=8584"}],"version-history":[{"count":5,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/posts\/8584\/revisions"}],"predecessor-version":[{"id":8598,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/posts\/8584\/revisions\/8598"}],"wp:attachment":[{"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/media?parent=8584"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/categories?post=8584"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/tags?post=8584"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
\nCursor atteint 86 % de la performance d\u2019un kernel GEMM humainement optimis\u00e9 dans cuBLAS. Ce r\u00e9sultat rivalise avec les meilleures pratiques des ing\u00e9nieurs, en un tiers du temps.<\/p>\nArchitecture multi-agent et workflow<\/h2>\n
Int\u00e9gration CI\/CD pour des d\u00e9ploiements continus<\/h2>\n
Enjeux techniques et limites<\/h2>\n
\n
Vision business<\/h2>\n