用变异分析给GPU内核基准的判分器打分：官方检查漏掉六分之一可证伪故障，精度类故障漏检达78.6%

提出并落地了首个面向GPU内核基准判分器的大规模强度度量：124条确定性变异规则在188个已验证CUDA基底上生成10,303个可编译故障，7,384个带有独立击杀见证，任何测试协议都按其检出比例打分。 此前工作（KernelBench-Verified、The Correctness Illusion、robust-kbench）都是手工打补丁或手工植入少量bug，无法回答“补丁是否够用、还漏什么”；该工作把“判分器好不好”从意见变成可比较的数字，并用见证机制保证分母只包含可证伪的故障。 表1给出流水线计数：10,303个生成故障、1,594个不可编译被NVRTC剔除、279个编译镜像重复、177个等价，最终8,253个不同故障、7,384个有见证；超过120,000次故障–输入评估构建击杀矩阵；对问题的bootstrap重采样显示16.9%是总体性质而非抽样噪声。

官方检查确定性漏检六分之一可证伪故障，且漏检高度按故障族偏斜：算术故障仅8.7%逃逸，而精度故障78.6%逃逸，同步故障27.8%、边界故障22.9%。 以往“检查器很弱”的判断来自个案或手工植入的bug；这里给出的是按族分解的漏检率，并指出被手工算术bug验证过的检查器会显得优秀却在真正出问题的地方失明。 表2按六个族列出见证数与漏检率（算术3,349个见证、8.7%漏检；精度271个见证、78.6%漏检）；附录A的表6进一步给出算子级明细，如store-fp16漏检169/183（92%）、sync-remove漏检58/198（29%）。

量化了该领域两个支配性机制：容差真空带随归约规模增长（softmax问题中全零输出可通过官方检查），以及由合法浮点方差设定的输入激进度上限（越过上限的输入会拒绝正确内核）。 这解释了漏检为何存在，并把“用更狠的输入测试”这一直觉修正为需要有效性闸门的约束；文中指出此前工作没有这样的闸门。 文中给出具体量级：在最大不可检测相对误差为某值、在另一规模下为另一值（图2b）；softmax贡献28个容差盲区幸存者而结构相同的log-softmax仅9个；重建的模糊测试基线在量级范围顶端107次错误拒绝正确内核。

度量可直接用于审计与合成：把KernelBench-Verified的增益分解为隐藏输入与更紧容差两部分，并通过对击杀矩阵做集合覆盖，用每个问题两个输入达到98.0%检出率（留出集94.8%），而官方五个随机输入为83.1%。 KernelBench-Verified的作者自述无法计算容差与分布失配各占多少失败，击杀矩阵给出了这一分解；同时证明测试套件设计可以变成优化问题，且增益来自“选得准”而非“测得多”。 表3给出预算曲线：预算2时全池98.0%、留出94.8%，官方五个随机输入83.1%/82.9%；按id哈希50/50划分dev/test以排除过拟合；知识阶梯实验（表4）显示给生成器故障分类学可把模糊基线从21.6%提升到61.0%，而给出具体故障源码反而只有57.3%。

该度量面向基准维护者、内核生成系统的评测者以及用判分器做奖励信号的强化学习研究者，适用于带分级数值容差的GPU内核基准场景。它支持比较性结论（套件A漏掉套件B能抓的故障）和存在性结论（某协议漏掉这些有见证的故障），并可直接用于设计更省输入的测试套件；作者明确表示它不能证明一个通过的内核是正确的，也从未这样使用。故障模型覆盖124条规则、六个族，基底为LLM撰写并经自动闸门验证的CUDA实现，结果来自单一H100代际；第3级架构研究覆盖48个架构，其见证搜索比算子级更浅，因此被当作单侧下界处理。

故障模型无法表达未生成结构中的故障（张量核路径、双缓冲流水线、部分warp级惯用法）以及多站点交互，因此漏检率是相对于该故障模型的充分性，而非绝对正确性。第3级见证搜索较浅，17.3%应视为下界；两个被判为不可裁决的问题（48_Mamba2ReturnY与45_UNetSoftmax）的结论依赖官方fp32前向与其fp64自身比较，读者可关注后续是否有不同容差或不同参考实现下的复核。真实感探针仅用60个问题、3个错误内核，样本小，作者也将其列为初步检查。此外，本次读取为全文，但图表数值以正文与表格所述为准，图中细节未逐一核对。