PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.19653v1cs.SE

PerfAgent: 저장소 수준 코드 최적화를 위한 프로파일러 가이드 반복 정제

PerfAgent: Profiler-Guided Iterative Refinement for Repository-Level Code Optimization

대규모 언어 모델(LLM) 에이전트는 SWE-Bench 이슈 해결과 실제 코드베이스에서의 기능 구현을 포함한 정확성 중심의 저장소 수준 작업에서 이제 우수한 성능을 보인다. 그러나 동작을 유지하면서 런타임 성능을 개선해야 하는 저장소 수준 코드 최적화에서는 여전히 어려움을 겪는다. 이 설정에서는 테스트 통과만으로는 충분하지 않으며, 패치는 동작을 유지하고 코드 최적화를 구현하며 전문가 수준의 속도 향상(speedup)에 근접해야 한다. 현재 에이전트는 추상화 계층과 네이티브 확장 뒤에 숨겨진 병목을 놓치거나, 얕은 수준의 속도 향상에서 멈추거나, 코드 패치를 충분히 테스트하지 않아 엣지 케이스를 조용히 깨뜨릴 수 있다. 우리는 PerfAgent를 제안한다. PerfAgent는 프로파일러 기반의 검증기 내 루프(verifier-in-the-loop) 워크플로우로, 기성(off-the-shelf) 코딩 에이전트에게 실제 핫스pot을 찾고, 첫 번째로 통과하는 패치를 넘어 개선하며, 타이밍만이 아니라 프로파일러 증거를 사용해 다음에 무엇을 최적화할지 결정하는 데 필요한 피드백을 제공한다. 두 가지 도전적인 최적화 벤치마크인 GSO와 SWE-fficiency-Lite에서 PerfAgent는 GPT-5.1을 사용한 OpenHands 대비 전문가 수준에 부합하는 패치 비율을 두 배 이상 높였으며, GSO에서는 19.6%에서 39.2%로, SWE-fficiency-Lite에서는 26%에서 74%로 개선했다. 또한 PerfAgent는 훨씬 낮은 비용으로 오라클 best-of-five 기준선을 능가하며, 이는 성능 향상이 추가적인 테스트 시점 샘플링이 아니라 더 나은 피드백에서 비롯됨을 보여준다.