DuoDiscover, com agentes de código, acelera o vLLM em 1,92 vez e supera o ArchAgent v2

O principal problema da busca autônoma de otimizações em engenharia real é o custo de cada verificação. Um benchmark completo ou um trace de serving leva horas, então sobram apenas algumas tentativas com medições reais. Os autores do DuoDiscover propõem contornar essa limitação: os próprios agentes criam um substituto barato para a avaliação real e garantem que ele não minta. Em dois benchmarks de repositório e quatro conjuntos de kernels para GPU e TPU, o sistema obtém resultados acima dos de especialistas humanos. Na tarefa de design de CPU, supera o ArchAgent v2 baseado em AlphaEvolve com um tempo de busca várias vezes menor.

Yardstick no lugar da execução completa

O DuoDiscover tem três mecanismos. No primeiro, cada agente de trabalho da frota de agentes de código encontra, ao mesmo tempo, um objetivo de otimização e monta para ele um avaliador rápido sob medida. Os autores o chamam de yardstick, ou seja, uma régua de medição. O agente passa a subir o gradiente dessa régua, e não o da métrica real. O custo por passo cai em ordens de grandeza, e a busca faz muitas iterações onde antes bastariam cinco.

Essa abordagem tem uma fraqueza evidente. A busca sabe explorar a distância entre o proxy e o objetivo real: a régua sobe, mas a velocidade de verdade fica parada ou até cai. Por isso existe o segundo mecanismo, os fidelity tests. Eles conferem periodicamente se o ranking de candidatos pelo yardstick coincide com o ranking pela avaliação verdadeira. Se a régua "saiu do eixo", ela é declarada inválida.

O terceiro mecanismo diz respeito à organização. A frota trabalha de baixo para cima, sem decomposição central da tarefa. Um orquestrador leve inicia e encerra agentes, atualiza o briefing dos que estão em execução e alimenta os novatos com trabalho já confirmado de outros agentes. Ninguém divide o problema em subtarefas de antemão: a estrutura surge do que os agentes descobrem.

O que as medições mostraram

O sistema foi testado em dois benchmarks no nível de repositório e em quatro conjuntos de kernels de GPU e TPU, somando centenas de kernels. Os números principais do trabalho:

• SWE-fficiency: o ganho médio de velocidade é duas vezes maior que o de especialistas humanos.
• SOL-Exec: primeiro lugar em 121 de 235 kernels e top 3 em 212.
• vLLM: aceleração de 1,92 vez em relação ao código base.
• SQLite: aceleração de 1,38 vez.
• Microarquitetura de CPU: avaliações de até 28 horas, com resultado superior ao do ArchAgent v2 e ao do melhor design humano.
• No mesmo caso da CPU: ganho de 1,65 do ArchAgent v2 em 16,7 dias, contra mais de 40 dias.

vLLM e SQLite são especialmente reveladores. São bases de código maduras, otimizadas há muito tempo, nas quais os ganhos fáceis em geral já foram aproveitados. Uma aceleração quase dupla no vLLM indica que os agentes encontraram folgas que a equipe de desenvolvimento não tinha explorado. O caso do chip é ainda mais interessante. Quando uma única medição leva mais de um dia, a busca evolutiva clássica esbarra no orçamento de tempo. Aqui, a régua permitiu fechar o trabalho em 16,7 dias, e o resultado superou tanto o do sistema anterior baseado em AlphaEvolve quanto o do humano.

Para quem isso é útil na prática

A ideia se aplica muito além do artigo. Qualquer equipe cujo teste de regressão, teste de carga ou simulação leve horas esbarra na mesma parede. A conclusão prática: antes de escalar o número de agentes, vale investir em um proxy rápido e em um teste de honestidade para ele. Sem checar o ranking, o agente vai otimizar um artefato de medição.

Para equipes de infraestrutura que trabalham com inferência e kernels, o artigo traz uma referência: uma frota autônoma já é capaz de competir com especialistas em kernels e de encontrar ganhos no vLLM. Para quem desenvolve chips, o ponto mais importante é outro. Reduzir o ciclo de busca de mais de 40 para 16,7 dias muda a economia dos experimentos de microarquitetura.

As limitações também estão claras. Os resultados foram obtidos pelos próprios autores em benchmarks escolhidos, e ainda não há verificação independente. O custo computacional da frota não foi revelado no comunicado, portanto a comparação de custos com um humano ou com o ArchAgent v2 só é válida pelo tempo de busca. Mas a direção é nítida: o gargalo da pesquisa autônoma deixa de ser a geração de ideias e passa a ser a verificação barata e confiável, e o DuoDiscover constrói toda a sua arquitetura em torno disso.