DuoDiscover, con agentes programadores, acelera vLLM 1,92 veces y supera a ArchAgent v2

El principal problema de la búsqueda autónoma de optimizaciones en ingeniería real es el coste de cada comprobación. Un benchmark completo o una traza de servicio tarda horas, así que solo se pueden hacer un puñado de mediciones reales. Los autores de DuoDiscover proponen sortear esta limitación: que los propios agentes inventen un sustituto barato de la evaluación real y vigilen que no «mienta». En dos benchmarks a nivel de repositorio y en cuatro conjuntos de kernels para GPU y TPU, el sistema obtiene resultados superiores a los de expertos humanos. En una tarea de diseño de CPU supera a ArchAgent v2, basado en AlphaEvolve, con un tiempo de búsqueda muy inferior.

Yardstick en lugar de la ejecución completa

DuoDiscover se apoya en tres mecanismos. El primero: cada agente de trabajo de la flota de agentes de programación encuentra un objetivo de optimización y, al mismo tiempo, construye para él un evaluador rápido a medida. Los autores lo llaman yardstick, es decir, una regla de medir. Después, el agente sigue el gradiente de esa regla, no el de la métrica real. El coste por paso baja varios órdenes de magnitud, y la búsqueda hace muchas iteraciones donde antes habrían bastado cinco.

Este enfoque tiene una debilidad evidente. La búsqueda sabe explotar la brecha entre el proxy y el objetivo real: la regla mejora, pero la velocidad real se queda igual o empeora. Por eso existe el segundo mecanismo, los fidelity tests. Comprueban con regularidad si el ranking de candidatos según el yardstick coincide con el ranking según la evaluación verdadera. Si la regla «se ha desviado», se declara inválida.

El tercer mecanismo es organizativo. La flota trabaja de abajo arriba, sin descomponer la tarea de forma central. Un orquestador ligero lanza y termina agentes, actualiza el briefing de los que están en marcha y da a los recién llegados trabajo ya confirmado de otros. Nadie divide el problema en subtareas de antemano: la estructura surge de lo que van encontrando los agentes.

Qué mostraron las mediciones

El sistema se probó en dos benchmarks a nivel de repositorio y en cuatro conjuntos de kernels de GPU y TPU, en total cientos de kernels. Las cifras clave del trabajo:

• SWE-fficiency: la mejora media de velocidad duplica la de los expertos humanos.
• SOL-Exec: primer puesto en 121 de 235 kernels y top 3 en 212.
• vLLM: aceleración de 1,92 veces respecto al código base.
• SQLite: aceleración de 1,38 veces.
• Microarquitectura de CPU: evaluaciones de hasta 28 horas; el resultado supera tanto a ArchAgent v2 como al mejor diseño humano.
• Ese mismo caso de CPU: 1,65 de mejora de ArchAgent v2 en 16,7 días frente a más de 40 días.

vLLM y SQLite son especialmente reveladores. Son bases de código maduras, optimizadas durante años, donde las mejoras fáciles suelen estar ya recogidas. Una aceleración casi del doble en vLLM indica que los agentes encontraron margen que el equipo de desarrollo no había aprovechado. El caso del chip es todavía más interesante. Cuando una sola medición dura más de un día, la búsqueda evolutiva clásica choca con el presupuesto de tiempo. Aquí, la regla permitió cerrar el trabajo en 16,7 días, y el resultado fue mejor que el del sistema anterior basado en AlphaEvolve y que el del diseño humano.

A quién le sirve en la práctica

La idea es aplicable mucho más allá del artículo. Cualquier equipo cuya ejecución de regresión, prueba de carga o simulación dure horas se topa con el mismo muro. La conclusión práctica: antes de escalar el número de agentes, conviene invertir en un proxy rápido y en una prueba de que es fiable. Sin comprobar el ranking, el agente optimizará un artefacto de la medición.

Para los equipos de infraestructura que trabajan con inferencia y kernels, el artículo ofrece una referencia: una flota autónoma ya puede competir con expertos en kernels y encontrar mejoras en vLLM. Para los desarrolladores de chips lo importante es otra cosa. Reducir el ciclo de búsqueda de más de 40 a 16,7 días cambia la economía de los experimentos con microarquitectura.

Las limitaciones también están claras. Los autores obtuvieron los resultados en benchmarks elegidos por ellos y aún no hay verificación independiente. El comunicado no revela el coste de cómputo de la flota, así que la comparación con un humano o con ArchAgent v2 solo es válida en términos de tiempo de búsqueda. Pero la dirección es nítida: el cuello de botella de la investigación autónoma ya no es generar ideas, sino verificarlas de forma barata y fiable, y DuoDiscover construye toda su arquitectura en torno a ello.