/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-Coder-7B-Instruct
Библиотека
transformers
Опубликована
26 сен 2026

KernelZero-CUDA-7B

Генерация текстаТекст → текст3 профессии

Дообученная на базе Qwen2.5-Coder-7B-Instruct модель для генерации CUDA-ядер и расширений из модулей PyTorch.

388скачиваний за 30 дней0лайковвеса обновлены29 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

KernelZero-CUDA-7B — дообученная модель для генерации CUDA-ядер и расширений CUDA из модулей PyTorch. Она разработана авторами KernelZero на основе Qwen/Qwen2.5-Coder-7B-Instruct и обучена в рамках конвейера KernelZero; архитектура — плотная Qwen2, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для создания CUDA-кода и оценки вариантов ядер в задачах оптимизации вычислений на GPU.

В статье KernelZero приведены результаты на KernelBench: pass@1 составляет 75,8% для задач Level 1 и 69,6% для Level 2; при генерации десяти кандидатов pass@10 достигает 100% и 97% соответственно. Для воспроизводимой оценки README рекомендует использовать шаблон запросов и среду валидации KernelZero. Модель работает с текстовыми запросами и выдаёт текст кода; поддерживаемые языки естественного общения отдельно не заявлены. Лицензия — Apache-2.0.

Сценарии применения

  • генерация CUDA-расширений для модулей PyTorch
  • написание CUDA-ядер для вычислений на GPU
  • создание кандидатов CUDA-кода для задач KernelBench
  • разработка и оптимизация GPU-вычислений

Ограничения

Оценки в README относятся к KernelBench и указанным настройкам генерации; для воспроизводимости нужны шаблон запросов и среда валидации KernelZero. Приведённые результаты не гарантируют корректность или ускорение сгенерированного кода для других задач и оборудования.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

KernelZero-CUDA-7B

KernelZero-CUDA-7B is the CUDA kernel generation checkpoint reported as the final KernelZero CUDA model. It is based on Qwen2.5-Coder-7B-Instruct and trained with the KernelZero pipeline.

Paper

KernelZero: Continual Co-Evolution of LLMs for Kernel Generation

KernelBench results

The paper reports the following results with 10 sampled candidates per problem.

Benchmarkpass@1pass@5pass@10fast_1@1fast_1@10fast_2@1fast_2@10
Level 175.898.87100.017.629.07.212.0
Level 269.693.7097.02.412.01.26.0

Intended use

This checkpoint generates CUDA extensions from PyTorch modules. Use the same prompt template and validation environment as KernelZero for reproducible evaluation.

Loading

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "kcxain/KernelZero-CUDA-7B"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)

Checkpoint provenance

This release contains the merged Hugging Face inference weights from the final 80-step CUDA Coder followed by the 40-step continuation used for the paper's main CUDA result. Optimizer states and distributed training shards are excluded.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
e45fb13

0 моделей