أعلنت مجموعة من الباحثين عن إطلاق D2K-Bench، معيار تشخيصي جديد يتكون من 26 مهمة و85 عبء عمل، يهدف إلى قياس فعالية وكلاء نماذج اللغة الكبيرة (Large Language Models) في تحويل تصاميم الخبراء إلى نوى GPU. ورغم أن النوى التي ينتجها هؤلاء الوكلاء قد تظل أقل كفاءة من تلك المعتمدة على خبرات المصممين، إلا أن نتائج التشغيل وحدها لا تكشف كيف يمكن أن يكون الفارق مرتبطًا بعملية اكتشاف وتصميم هذه النوى.

يستند D2K-Bench إلى ثلاث مستويات مهمة من التوجيه، تشمل:
1. **ل1**: رؤى خوارزمية عالية المستوى.
2. **ل2**: تصميم تدفق البيانات.
3. **ل3**: حيل تحسين منخفضة المستوى، بما في ذلك الاعتماديات بين هذه المستويات.

تسجل التجارب نتائج ثنائية باستخدام التوجيه وغير التوجيه، حيث تمت مشاركة أوصاف المهام، وأعباء العمل، والأدوات، والأجهزة، مع ميزانية مكونة من 350 دورة. وتهدف التقييمات التكميلية إلى دراسة التصاميم المقترحة بشكل مستقل وخصائص التصميم المطبقة في التعليمات البرمجية الناتجة.

عبر خمسة نماذج على وحدات معالجة الرسومات NVIDIA B200، ارتفعت دقة النتائج من 93.1% إلى 98.5% بفضل التوجيه، كما زاد مستوى الأداء لكل المهام من 1.46 إلى 1.95. فيما يتعلق بالنماذج الرائدة الثلاثة (GPT-6-Astra، Claude-Opus-4.8، وGPT-5.6-Sol) التي سجلت نتائج صحيحة على جميع المهام، زادت سرعة الأداء الهندسي من $1.69 imes$ إلى $2.49 imes$.

تظهر هذه النتائج القيمة الكبيرة لتوجيهات الخبراء، وتساعد في تحديد الخصائص التصميمية التي لم يتم تنفيذها بعد. لذا، كيف يمكن أن تساهم هذه التطورات في تحسين تصميم النوى في المستقبل؟ شاركونا آراءكم!