arXiv cs.CL· Gokul Karthik Kumar, Yotam Perlitz, Corey Lammie, Andrea Giovannini, Katja Hose·· 2 天前AI 评分32
DataKernelBench：LLM 能否在 GPU 上优化数据库查询？
DataKernelBench: Can LLMs Optimize Database Queries on GPUs?
AI 导读
DataKernelBench 将 SQL 转换为经校验的 PyTorch TorchPlan 程序，评测 LLM 用 CUDA 或 Triton 优化数据库查询内核。
正文 · AI 翻译
摘要：GPU 日益加速数据库系统，但针对具体查询的峰值性能仍往往依赖手写内核。现有的 LLM 内核基准测试聚焦于机器学习算子，而未测试不规则、异构、数据移动密集的数据库风格算子。我们提出 DataKernelBench，它将 SQL 转换为经过验证的 PyTorch TorchPlan 程序，并评估通过执行引导修复来优化核心张量受限片段或完整查询（使用 CUDA 或 Triton）的 LLM。在 H100 GPU 上针对 TPC-H SF10 的十个专有和开放权重模型中，最强的完整查询 CUDA 配置在全通过率下相比 TorchPlan 基线实现了 $2.11\times$ 加速。我们发现，性能更高的实现通常使用内核融合和执行策略变更，更强的模型从完整查询特化中获益最多，且工作负载上下文比硬件上下文更重要。为处理大于 GPU 内存的数据，我们用 Dask-cuDF 扩展 TorchPlan，在四块 H100 GPU 上针对 TPC-H SF100 实现按需分区加载，获得 $2.54\times$ 加速。
项目页面：此 https URL
| 评论： | 已被 EMNLP 2026 接收 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；数据库（cs.DB）；机器学习（cs.LG）；编程语言（cs.PL） |
| 引用为： | arXiv:2608.25061 [cs.CL] |
| （或 arXiv:2608.25061v3 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.25061 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Gokul Karthik Kumar [查看邮箱]
[v1]
2026年8月25日星期二 18:57:39 UTC（2,340 KB）
[v2]
2026年8月27日星期四 17:07:30 UTC（2,340 KB）
[v3]
2026年10月14日星期三 21:33:09 UTC（2,340 KB）
来源：arXiv cs.CL · arxiv.org