Buchumschlag

LLM-Vectorizer: LLM-based Verified Loop Vectorizer

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Taneja, Jubi, Laird, Avery, Yan, Cong, Musuvathi, Madan, Lahiri, Shuvendu K.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering Artificial Intelligence Machine Learning Performance
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

VecTrans: Enhancing Compiler Auto-Vectorization through LLM-Assisted Code Transformations
von: Zheng, Zhongchun, et al.
Veröffentlicht: (2025)

GPU Kernel Scientist: An LLM-Driven Framework for Iterative Kernel Optimization
von: Andrews, Martin, et al.
Veröffentlicht: (2025)

Ranking LLM-Generated Loop Invariants for Program Verification
von: Chakraborty, Saikat, et al.
Veröffentlicht: (2023)

Enabling Performant and Flexible Model-Internal Observability for LLM Inference
von: Yu, Nengneng, et al.
Veröffentlicht: (2026)

LLMSYS-HPOBench: Hyperparameter Optimization Benchmark Suite for Real-World LLM Systems
von: Wu, Siyu, et al.
Veröffentlicht: (2026)

ClassInvGen: Class Invariant Synthesis using Large Language Models
von: Sun, Chuyue, et al.
Veröffentlicht: (2025)

AI-driven Java Performance Testing: Balancing Result Quality with Testing Time
von: Traini, Luca, et al.
Veröffentlicht: (2024)

Predicting Configuration Performance in Multiple Environments with Sequential Meta-learning
von: Gong, Jingzhi, et al.
Veröffentlicht: (2024)

Kevin: Multi-Turn RL for Generating CUDA Kernels
von: Baronio, Carlo, et al.
Veröffentlicht: (2025)

Learning Performance-Improving Code Edits
von: Shypula, Alexander, et al.
Veröffentlicht: (2023)

Lookup multivariate Kolmogorov-Arnold Networks
von: Pozdnyakov, Sergey, et al.
Veröffentlicht: (2025)

KernelBench: Can LLMs Write Efficient GPU Kernels?
von: Ouyang, Anne, et al.
Veröffentlicht: (2025)

Enhancing Energy-Awareness in Deep Learning through Fine-Grained Energy Measurement
von: Rajput, Saurabhsingh, et al.
Veröffentlicht: (2023)

Do AI Models Dream of Faster Code? An Empirical Study on LLM-Proposed Performance Improvements in Real-World Software
von: Yi, Lirong, et al.
Veröffentlicht: (2025)

CuTeGen: An LLM-Based Agentic Framework for Generation and Optimization of High-Performance GPU Kernels using CuTe
von: Saba, Tara, et al.
Veröffentlicht: (2026)

Evaluating LLM-driven User-Intent Formalization for Verification-Aware Languages
von: Lahiri, Shuvendu K.
Veröffentlicht: (2024)

Clover: Closed-Loop Verifiable Code Generation
von: Sun, Chuyue, et al.
Veröffentlicht: (2023)

Worst-Case Convergence Time of ML Algorithms via Extreme Value Theory
von: Tizpaz-Niari, Saeid, et al.
Veröffentlicht: (2024)

KForge: Program Synthesis for Diverse AI Hardware Accelerators
von: Sereda, Taras, et al.
Veröffentlicht: (2025)

CDS4RAG: Cyclic Dual-Sequential Hyperparameter Optimization for RAG
von: Chen, Pengzhou, et al.
Veröffentlicht: (2026)

Performance Prediction for Large Systems via Text-to-Text Regression
von: Akhauri, Yash, et al.
Veröffentlicht: (2025)

Regression Language Models for Code
von: Akhauri, Yash, et al.
Veröffentlicht: (2025)

MNN-AECS: Energy Optimization for LLM Decoding on Mobile Devices via Adaptive Core Selection
von: Huang, Zhengxiang, et al.
Veröffentlicht: (2025)

Tensor Program Optimization for the RISC-V Vector Extension Using Probabilistic Programs
von: Peccia, Federico Nicolas, et al.
Veröffentlicht: (2025)

On The Effectiveness of One-Class Support Vector Machine in Different Defect Prediction Scenarios
von: Moussa, Rebecca, et al.
Veröffentlicht: (2022)

LLM Interactive Optimization of Open Source Python Libraries -- Case Studies and Generalization
von: Florath, Andreas
Veröffentlicht: (2023)

Mutation-Guided LLM-based Test Generation at Meta
von: Foster, Christopher, et al.
Veröffentlicht: (2025)

Root Cause Localization for Microservice Systems in Cloud-edge Collaborative Environments
von: Zhu, Yuhan, et al.
Veröffentlicht: (2024)

On the Compression of Language Models for Code: An Empirical Study on CodeBERT
von: d'Aloisio, Giordano, et al.
Veröffentlicht: (2024)

Should AI Optimize Your Code? A Comparative Study of Classical Optimizing Compilers Versus Current Large Language Models
von: Rosas, Miguel Romero, et al.
Veröffentlicht: (2024)

SWE-fficiency: Can Language Models Optimize Real-World Repositories on Real Workloads?
von: Ma, Jeffrey Jian, et al.
Veröffentlicht: (2025)

PerfBench: Can Agents Resolve Real-World Performance Bugs?
von: Garg, Spandan, et al.
Veröffentlicht: (2025)

Prompting for Performance: Exploring LLMs for Configuring Software
von: Spieker, Helge, et al.
Veröffentlicht: (2025)

Predicting Software Performance with Divide-and-Learn
von: Gong, Jingzhi, et al.
Veröffentlicht: (2023)

Interpreting Performance Profiles with Deep Learning
von: Liu, Zhuoran
Veröffentlicht: (2025)

This Is Taking Too Long -- Investigating Time as a Proxy for Energy Consumption of LLMs
von: Krupp, Lars, et al.
Veröffentlicht: (2026)

Can We Make Code Green? Understanding Trade-Offs in LLMs vs. Human Code Optimizations
von: Rani, Pooja, et al.
Veröffentlicht: (2025)

Energy Consumption of Dataframe Libraries for End-to-End Deep Learning Pipelines:A Comparative Analysis
von: Kumar, Punit, et al.
Veröffentlicht: (2025)

PostTrainBench: Can LLM Agents Automate LLM Post-Training?
von: Rank, Ben, et al.
Veröffentlicht: (2026)

LLM-based Content Classification Approach for GitHub Repositories by the README Files
von: Mehmood, Malik Uzair, et al.
Veröffentlicht: (2025)