وكيل Codex يسرّع نواة QR بمقدار 232 مرة في مسابقة بحث آلي

في مسابقة للبحث الآلي نظّمتها GPU Mode بالتعاون مع Core Automation، حلّ مطوّر يكتب باسم sankalp في المركز الثاني عشر من بين 183 مشاركًا. كان حلّه أسرع بمقدار 232 مرة من نواة تحليل QR الأساسية. وفي تدوينة يشرح كيف استخدم وكيل Codex من OpenAI وحلقة تقديم كثيفة — وهو نهج يسميه هو نفسه «هندسة الحلقات».

المشكلة: تحليل Householder QR بالدفعات

طُلب من المشاركين تنفيذ تحليل QR المربّع المضغوط بطريقة Householder على دفعات. كانت المدخلات دفعة من مصفوفات FP32 CUDA بشكل batch × n × n، أما المخرجات فكانت الصيغة المضغوطة نفسها التي يعيدها torch.geqrf: المثلث الأعلى من H يحمل R، والجزء الأدنى يخزّن متجهات Householder، مع متجه tau منفصل لمعاملات الانعكاس. وكان المدقّق يعيد بناء Q بواسطة torch.linalg.householder_product(H, tau) ويتحقق من الشروط A ≈ QR وQᵀQ ≈ I وQᵀA ≈ R.

رُتّبت المشاركات الصحيحة حسب المتوسط الهندسي لزمن التشغيل عبر الأحجام وحالات الاشتراط العددي. وكانت الأحجام الرئيسية 512×512، إضافة إلى 1024 و2048 و4096. سُمح داخليًا بحسابات FP16 وFP8 وNVFP4، لكن النتيجة كان يجب أن تجتاز فحوصات بمستوى FP32.

Codex داخل الحلقة

وفّرت GPU Mode أداة سطر أوامر باسم popcorn تتيح للوكلاء الاختبار والقياس والتقديم مباشرة إلى لوحة الصدارة. على مدى 14 يومًا قدّم المؤلف أكثر من 1500 مشاركة. ضمّت مساحة عمل Codex وصفًا للمسألة وملف AGENTS.md بتعليمات التقديم وسجلًا يتابع كل محاولة. واستخدم الأمر /goal لتحديد أهداف رقمية، و/btw للاطلاع دون إيقاف الحلقة، إضافة إلى التوصيف بأداتي Modal وNCU لتحديد نقاط الاختناق.

ولتفادي الوقوع في القيم العظمى المحلية أبقى المؤلف «شعاعًا» من ثلاثة إلى خمسة أفكار مرشحة بدل مرشح واحد، واستعان بنموذج مستشار أقوى لأفكار جديدة، وأرسل أحيانًا وكلاء فرعيين لتجارب منفصلة.

من 419 ملي ثانية إلى 1.8

استغرق المسار الأساسي لـ torch.geqrf نحو 419 ألف ميكروثانية. وبعد تطبيق خوارزمية Householder الكتلية لحجم n = 512 وصل المؤلف خلال يوم إلى 5000 ميكروثانية، بينما بلغت النتيجة النهائية 1805 ميكروثانية. تضغط الطريقة الكتلية انعكاسات اللوحة في تحديث WY واحد من الرتبة b، فتحوّل العمل على الكتلة المتبقية إلى ثلاث عمليات ضرب مصفوفات — وهو الشكل الذي تتعامل معه أنوية Tensor بأفضل كفاءة.

الخلاصة

يخلص المؤلف إلى أن الخبرة المجالية تسرّع تصميم بيئة التشغيل وتوجيه النموذج معًا: فكلما فهمت المسألة أعمق، صارت أسئلتك للوكيل أدق. ويشير إلى أن هذه كانت محاولته الجدية الأولى في البحث الآلي، وأن المسابقة الثانية في السلسلة — حول تحليل القيم الذاتية — جارية بالفعل.