038 · 不知道 exp 怎么算，也能证明浮点 kernel 等价吗？
这篇论文把超越函数保留为不透明符号，证明生成 kernel 与形式规格对同一符号的使用一致。关键问题是：这种对任意函数都成立的定理，为什么仍依赖真实实现采用同一个函数？
GPU-Kernel
037 · 实数上等价，就能放心运行浮点 kernel 吗？
Racer 把 PTX 中的浮点运算解释为精确实数运算，寻找被测试容差掩盖的逻辑错误。它让我们区分：证明公式相同，与证明机器计算的数值误差可接受，是两种不同的正确性主张。
036 · 跨抽象层更快，是选对表示还是扩大了搜索？
TileCas 让 kernel Agent 在高层 DSL 与低层原生代码之间切换，并保留可回访的候选分支。它用随机路由和同检查点干预说明：收益不只来自多一种表示，还来自何时切换、从哪个历史候选继续。
035 · 成功经验，为什么反而让 kernel 变慢？
MetaKernelBench 只传递文字经验，让同一模型在另一种 DSL 中重新解同一道 kernel 题。它提醒我们：源实现成功，不等于经验对接收者有益；经验也可能把一次搜索的局限带到下一次。
032 · 专家把设计告诉 Agent，剩下的就只是实现吗？
D2K-Bench 用有无专家指导的配对实验，追问高效 GPU kernel 的困难究竟在设计发现还是设计实现。值得思考的是：提供设计是否真的隔离了实现能力，以及遵循设计与实现目标是否是一回事。
031 · 绕过 Triton 后端，正确性责任去了哪里？
AI as a Compiler 让 Agent 从 Triton 直接生成 PTX，在部分任务上找到传统 lowering 之外的优化；但高性能指令也超出了原版验证器的能力。减少中间表示，并不等于消除语义建模与正确性责任。
028 · Agent-Assisted 胜过 Full-Agent，究竟是谁在优化？
论文用评测 harness、性能剖析、工作负载分区和人工筛选约束 GPU kernel Agent；五类算子均优于 Full-Agent，但对照尚不能拆分 harness、专家引导与搜索预算各自的贡献。
023 · 从两百轮里挑最快的，算稳定胜过编译器吗？
CUDA Agent 在执行反馈环境中训练 CUDA 优化策略，并在 KernelBench 上显著超过 torch.compile；但评测允许每题最多 200 轮并选取轨迹中的最快正确解，策略能力与搜索预算仍需分开理解。
006 · Agent 变强了，还是编译器更会教了？
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。
005 · Agent 自己合成测试，CUDA kernel 的正确性可信吗？
CUDA-Harness 用隔离的测试数据合成约束 Text2CUDA Agent；它减少了奖励投机，也暴露了测试与实现共享语义误解的边界。