摩尔线程今晚（6月10日）宣布，正式发布并开源面向GPU底层算子生成的专用代码大模型MusaCoder。这是业内首个基于国产GPU算力底座完成全链路训练与验证的开源代码大模型，其完整后训练流程均在基于MTT S5000构建的夸娥智算集群上完成。在KernelBench严格评测中，MusaCoder-27B-RL以Overall Pass@8 93.2%、Avg.@8 88.60%的成绩，超越Claude Opus 4.7、GLM-5.1、DeepSeek-V4 Pro、Kimi K2.6等主流SOTA代码模型，展现出在GPU原生Kernel生成任务上的领先性能。
MusaCoder：专为GPU设计的高性能算子生成模型
MusaCoder是摩尔线程面向GPU底层算子生成任务设计的专用代码大模型，包含9B和27B两个参数规模。该模型重点支持从PyTorch标准算子自动生成高性能CUDA/MUSA原生Kernel代码，旨在降低开发者手写底层GPU算子的门槛，提升GPU高性能计算场景下的代码生成、验证和优化效率。
传统代码大模型虽然具备较强的通用编程能力，但在GPU Kernel生成任务中仍面临显著挑战：一方面，GPU Kernel 对并行计算、线程组织、内存访问、索引映射和硬件执行特性要求极高；另一方面，生成代码不仅要语法正确，还必须能够通过编译、数值正确性验证、反作弊检测，并在真实执行中获得性能收益。针对上述难点，MusaCoder构建了一套面向GPU原生算子（CUDA/MUSA）生成的大模型全栈后训练方法论。该流程覆盖数据构建、执行验证、强化学习优化等关键环节，使模型能够从基础代码能力逐步进化为具备底层算子生成与修复能力的专用模型。
在MooreEval执行式验证协议下，MusaCoder-27B-RL在KernelBench评测中取得了显著领先表现。
共建开放生态，推动国产AI创新与应用
MusaCoder的正式开源，旨在为MUSA生态提供面向PyTorch到原生算子生成的基础模型能力，帮助开发者更高效地完成GPU Kernel 的生成、验证、修复和优化，降低底层算子开发门槛。
同时，MusaCoder也为高校、科研机构和开源社区提供了一个基于国产全功能GPU的代码生成研究平台，推动异构计算编程、AI编译优化和自动化Kernel生成等方向的开放研究与技术交流。
摩尔线程相关负责人表示，未来将持续增强MusaCoder在复杂任务上的生成与修复能力，并进一步探索与IDE插件、自动调试工具、profiling工具等开发者工具链的结合，逐步形成从PyTorch参考实现到MUSA原生Kernel的自动生成、验证、修复和优化闭环，持续推动国产GPU生态建设与AI基础设施创新。
