2026-06-11 09:58 摩尔线程

6 月 10 日，国内 GPU 厂商摩尔线程发布了面向 GPU 底层算子生成的专用代码大模型 MusaCoder，并将模型权重在 Hugging Face 上开源。

该模型包含 9B 和 27B 两个参数版本，重点支持从 PyTorch 标准算子自动生成高性能 CUDA 或 MUSA 原生 Kernel 代码。

MUSA 是摩尔线程自研的 GPU 软件栈，对 CUDA 生态做了较全面的兼容适配。根据官方信息，MUSA SDK 5.1.0 已兼容英伟达 CUDA 12.8，累计兼容 761 个核心 API 接口。

不过需要说明的是，这种兼容性更多在 API 层面，解决了代码能不能跑的问题，但实际性能调优和算子库成熟度才是决定跑得快不快的关键，这也是目前国产 GPU 软件栈普遍面临的短板。

MusaCoder 的技术路线有一定差异性。通用代码大模型（如 Claude、GPT 系列）在 GPU Kernel 生成任务上表现并不理想，因为 GPU Kernel 对线程组织、内存访问模式、索引映射等硬件特性要求极高，生成代码不光要语法正确，还得能通过编译、数值验证和性能测试。

MusaCoder 的解决思路是在后训练阶段引入执行验证闭环，构建了 MooreEval 分布式执行验证系统，让模型生成代码后自动编译、运行、验证正确性，再把结果反馈给模型进行强化学习优化。

这种训练方式依赖大量真实执行反馈，对算力的要求比纯文本微调高得多。

值得关注的是，MusaCoder 的全链路后训练流程，包括监督微调、拒绝采样微调和强化学习，全部在摩尔线程基于 MTT S5000 GPU 构建的夸娥智算集群上完成。

这意味着国产 GPU 已经能够稳定承载代码大模型从训练到验证的复杂算力需求，尤其在 GPU Kernel 生成这类需要频繁编译、执行、验证反馈的场景中，硬件、编译栈、运行时和评测基础设施都必须具备足够的稳定性和性能。

评测方面，摩尔线程引用了 KernelBench 基准测试数据，MusaCoder-27B-RL 的整体 Pass@8 达到 93.2%，超越 Claude Opus 4.7、DeepSeek-V4 Pro 等主流模型。不过这些数据由厂商自行发布，外部独立复现验证是下一步需要关注的事情。

将 MusaCoder 放在行业格局中看，类似方向并非摩尔线程独创。

2026 年 1 月，众智 FlagOS 社区就推出了升级版 KernelGen，一个支持多种 AI 芯片的高性能 Triton 算子自动生成工具，其思路是通过大模型加统一编译器实现跨硬件算子生成，目标同样是降低算子开发门槛。

英伟达方面则更倾向于建立评测标准而非直接开源代码生成模型，2025 年底推出的 ComputeEval 就是用于评估 AI 模型在 CUDA 编程任务中的表现，反映出英伟达对 " 用大模型降低 CUDA 编程门槛 " 这一趋势的重视，但并未发布类似 MusaCoder 的专用模型。

AMD 和 Intel 也各有 ROCm 和 oneAPI 等开源软件栈布局，但在算子代码生成模型上尚无明确对标产品。

MusaCoder 的主要局限可能在于两点。其一，模型的训练数据、微调方法和具体评测细则尚需更多外部验证，目前的信息主要来自官方发布。

其二，MusaCoder 最终服务于 MUSA 生态，而后者本身仍在建设期。有开发者指出，MUSA 对 CUDA 的兼容在 API 层面成效不错，但迁移后仍存在接口适配和性能调优问题，生态还处于爬坡阶段。

MusaCoder 能帮助开发者跨越从 PyTorch 到 MUSA Kernel 的代码生成门槛，但要真正发挥硬件性能，还需要硬件、驱动、算子库和工具链的持续打磨。

从行业趋势看，用大模型降低底层算子开发门槛正逐渐成为共识。算子开发周期长、人力成本高，而 GPU 硬件迭代速度远超软件适配速度，AI 自动生成代码并完成验证被认为是应对这一矛盾的核心手段。

摩尔线程这次的开源动作，一方面展示了 MUSA 生态在 AI 工具链上的积累，另一方面也给开发者提供了一个观察国产 GPU 软件栈真实能力的窗口。

开源容易，但让开发者真正用起来、用得好，才是更大的考验。

［本文作者 i 黑马，i 黑马原创。如需转载请联系微信公众号（ID:iheima）授权，未经授权，转载必究。］