Compiler

EdgeKernelBench 用统一 IR 评测异构边缘设备上的 kernel 生成；LEKA 按表示层分工。结果支持这套系统有效，但编译器边界是否恰好对应推理边界，仍是开放问题。

PatternBench 同时测量加速与指定变换的结构证据。它让优化评测更可解释，也留下一个边界：检查器认不出的代码，究竟是没有完成目标，还是选择了另一条有效路线？

Argus 以稳定的语义区域为共同坐标，规划彼此隔离的多次 GPU 测量，并把直接观测、跨视图归因和变体推导的证据明确区分；实验显示更细粒度的反馈能改善多种 kernel 优化 Agent，但跨运行归因仍依赖区域身份与执行可比性的假设。

Ave 把 GPU kernel 优化必须保持的数据关系写成编译期不变量，再用静态分析与具体反例指导 Agent 修复；消融实验支持这种结构化反馈，但其保证范围取决于人预先表达了哪些不变量。

CAKE 固定模型与 Agent 脚手架，改用面向 Agent 的硬件显式 IR、校验和局部反馈；实验支持整套编译器环境改善搜索，但尚未分离各组成部分的贡献。

从 CUDA 软件栈测试全貌出发，给出一套面向 Triton/GPU compiler 的 fuzz 测试选型、架构、CI 分层和落地方案。

梳理 NVIDIA GPU 的 CUDA Core、Warp、Thread Block 与 SM，介绍线程调度、分支发散、寄存器及共享内存管理。

按结构化操作、矩阵运算、归约与变换分类，梳理 MLIR Linalg 经 Bufferization 和循环表示降级到 LLVM IR 的过程。

结合 Triton 矩阵乘法示例，解析 K 维分块累加、指针广播、内存访问以及 program 与 grid 的分工。

从仿射变换的直观含义出发，介绍 MLIR Affine 方言如何表达循环与访存，以及其在循环优化中的作用。