PassNet：扩展大语言模型用于图编译器Pass生成

诸如TorchInductor之类的现代张量编译器在主流模型上带来显著加速，但在长尾工作负载上面临系统性的性能天花板——我们的性能剖析显示，43%的真实世界子图在默认编译下出现端到端变慢。尽管LLM为自动化优化提供了路径，现有工作仍聚焦于独立的kernel生成。我们认为pass生成——即LLM编写可直接集成进编译器管线的结构化图变换——是更合适的抽象层。我们提出PassNet，首个面向基于LLM的编译器pass生成的大规模生态，包括：(1) PassNet-Dataset，来自10万真实模型的超过1.8万个不同计算图；(2) PassBench，200个精选的长尾可融合任务（共2,060个子图），在错误感知加速得分（Error-aware Speedup Score，ES_t）——一个统一正确性、稳定性与性能的指标——下评估，并配备针对LLM系统性钻空子的分层完整性防御。实验揭示PassBench既有高度区分度又确实未饱和：最佳前沿模型总体落后TorchInductor 37%，但在单个子图上LLM相对同一编译器可实现高达3倍加速——表明瓶颈在于一致性而非能力。仅用约4千条PassNet轨迹微调一个小模型即可带来2.67倍改进、逼近前沿模型性能，展示了可观的空间，并验证PassNet作为推进LLM驱动编译器优化的持续训练基础设施的价值。所有数据、基准与工具均已公开。