Claude在MLIR代碼分析上完全超越了ChatGPT并表現十分驚艷，請閱讀全文或者自己注冊感受它的強大。結論：在本文的任務中，Claude > ChatGPT >> NewBing

0x0. 前言

這里將以oneflow IR部分中的一個Codegen任務（目標是在mlir codegen中支持oneflow stream，用oneflow stream替換pass中自己生成的stream，PR鏈接為：https://github.com/Oneflow-Inc/oneflow/pull/10149）為例，來對比一下newibing(chatgpt)和claude對mlir的理解能力。claude是Anthropic公司推出的類似于chatgpt的聊天機器人，這家公司是OpenAI的最大競爭對手之一，因為創辦這家公司的人也是OpenAI的前員工。然后Claude是參考這個issue: https://www.zhihu.com/question/594115372/answer/2988759047 將其直接添加到slack里進行對話。

0x1. PR簡介

PR鏈接為：https://github.com/Oneflow-Inc/oneflow/pull/10149

這個PR實現了3個Pass (定義在 OneFlowPasses.td)，也就是：

defEliminateAllocOpsPass:Pass<"eliminate-alloc-ops","ModuleOp">{
letsummary="";
letconstructor="mlir::createEliminateAllocOpsPass()";
letdependentDialects=["pdl_interp::PDLInterpDialect","pdl::PDLDialect"];
}

defAppendOneFlowStreamPass:Pass<"append-ofstream","ModuleOp">{
letsummary="appendoneflowstreamtogpufunctionarguments";
letconstructor="mlir::createAppendOneFlowStreamPass()";
}

defMgpuToOneFlowStreamPass:Pass<"mgpu-to-ofstream","ModuleOp">{
letsummary="convertmlirabiaboutmgputooneflowstream,thispassshouldbeinvokedafterappend-ofstreampass";
letconstructor="mlir::createMgpuToOneFlowStreamPass()";
}

EliminateAllocOpsPass用來消除IR中的無效memref.alloc指令，AppendOneFlowStreamPass給GPU相關的函數添加GPU啟動kernel需要的stream參數，MgpuToOneFlowStreamPass發生在AppendOneFlowStreamPass執行之后(它生成了stream參數)并把mgpu相關的stream abi替換為oneflow stream abi。

我們分別使用newbing和claude來讓它們分析一下這幾行OneFlowPasses.td中定義的Pass意圖：

newbing：

newbing直接看不懂，其實我感覺claude也應該看不懂吧，抱著懷疑的態度問一下。

太瘋狂了，claude不僅讀懂了td文件的代碼，甚至為我們列出了這個代碼涉及到的MLIR概念。感覺是訓練數據考慮了MLIR相關的預料？接下來我們再對比下C++實現的Pass代碼。

0x2. 對比具體實現

PR鏈接為：https://github.com/Oneflow-Inc/oneflow/pull/10149

0x2.1 EliminateAllocOpsPass

EliminateAllocOpsPass使用MLIR提供的PDL語言來完成Pattern的匹配和重寫，具體實現在 oneflow/ir/lib/OneFlow/PDLL/AllocEliminationPatterns.pdll ：

#include"OneFlow/OneFlowOps.td"

ConstraintIsFuncArguments(value:Value)[{
returnsuccess(llvm::dyn_cast(value));
}];

Pattern{
letalloc=op();
letcopy=op(alloc.0,arg:IsFuncArguments);

rewriteallocwith{
erasecopy;
replaceallocwitharg;
};
}

接下來，我們分別對比一下newbing和chatgpt對它的分析結果。

newbing并不能解析出這段代碼是MLIR的PDL語言，當然也無法理解代碼內容。我們可以再使用Claude試試。

個人感覺這個解釋是非常強大且精準的，Claude的答案非常驚艷。

0x2.2 AppendOneFlowStreamPass

接下來我們看一下AppendOneFlowStreamPass的實現，這個實現是在oneflow/ir/lib/OneFlow/Transform/OneFlowStream.cpp這個文件，具體代碼如下：

structAppendOneFlowStreamPatternfinal:publicOpRewritePattern{
public:
explicitAppendOneFlowStreamPattern(mlir::MLIRContext*context)
:OpRewritePattern(context,/*benefit=*/0){}
mlir::LogicalResultmatchAndRewrite(func::FuncOpop,
mlir::PatternRewriter&rewriter)constoverride{
autoptr_type=LLVM::get(rewriter.getContext(),8));
if(llvm::dyn_cast(op.getFunctionType().getInputs().back()))
returnsuccess();

llvm::SmallVectornew_operand_type;
for(autotype:op.getFunctionType().getInputs()){new_operand_type.push_back(type);}
new_operand_type.push_back(ptr_type);
autofunction_type=
rewriter.getFunctionType(new_operand_type,op.getFunctionType().getResults());

autofunc=rewriter.create(op.getLoc(),op.getName(),function_type);
for(autopair:op->getDialectAttrs()){func->setAttr(pair.getName(),pair.getValue());}
op.getBody().addArgument(ptr_type,func->getLoc());
IRMappingbvm;
op.getRegion().cloneInto(&func.getRegion(),bvm);
rewriter.eraseOp(op);
returnsuccess();
}
};

c++代碼newbing（chatgpt）按道理可以看懂了，我們讓它分析一下：

直接問chatgpt，它還是不懂這段代碼。我手動提示了下它說，這段代碼定義了一個mlir pattern，然后它先是重復我的話給出了一段回答。然后接下來就是胡說八道了，在這個例子中表現很差。接下來我們拷問一下Claude：

我們繼續問一下c++代碼中的一些細節：

非常強大，給出的解釋大多比較精準，并且似乎Claude真的完全理解了這段代碼的邏輯。我們需要注意的是，這段代碼是我同事今天才寫的，模型的泛化性真的很好。

MgpuToOneFlowStreamPass

我們最后再分析下MgpuToOneFlowStreamPass的實現。

structMgpuToOneFlowStreamPatternfinal:publicOpRewritePattern{
public:
explicitMgpuToOneFlowStreamPattern(mlir::MLIRContext*context)
:OpRewritePattern(context,/*benefit=*/0){}
mlir::LogicalResultmatchAndRewrite(LLVM::CallOpop,
mlir::PatternRewriter&rewriter)constoverride{
autoptr_type=LLVM::get(rewriter.getContext(),8));
autofunc=op->getParentOfType();
autocallee=op.getCallee();
if(!func||!callee)returnfailure();
Valuestream=func.getArguments().back();
if(stream.getType()!=ptr_type){
LOG(ERROR)<"failedtofindstreaminllvm.funcblockarguments";
returnfailure();
}

DenseMapstd::pair<std::function<bool(LLVM::CallOp&,Value&)>,
std::function<void(mlir::PatternRewriter&,LLVM::CallOp&,Value&)>>>
oneflow_abi={
{"mgpuStreamCreate",
{[](LLVM::CallOp&op,Value&stream){returntrue;},
[](mlir::PatternRewriter&rewriter,LLVM::CallOp&op,Value&stream){
rewriter.replaceOp(op,{stream});
}}},
{"mgpuLaunchKernel",
{[](LLVM::CallOp&op,Value&stream){
unsignedidx=op->getNumOperands();
returnop.getOperand(idx-3)!=stream;
},
[](mlir::PatternRewriter&rewriter,LLVM::CallOp&op,Value&stream){
unsignedidx=op->getNumOperands();
autotarget=op.getOperand(idx-3).getDefiningOp();
rewriter.replaceOp(target,{stream});
}}},
{"mgpuStreamSynchronize",
{[](LLVM::CallOp&op,Value&stream){returntrue;},
[](mlir::PatternRewriter&rewriter,LLVM::CallOp&op,Value&stream){
rewriter.eraseOp(op);
}}},
{"mgpuStreamDestroy",
{[](LLVM::CallOp&op,Value&stream){returntrue;},
[](mlir::PatternRewriter&rewriter,LLVM::CallOp&op,Value&stream){
rewriter.eraseOp(op);
}}},
};
autoout=oneflow_abi.find(callee.value().str());
if(out!=oneflow_abi.end()&&out->getSecond().first(op,stream)){
out->getSecond().second(rewriter,op,stream);
}
returnsuccess();
}
};

還是先讓chatgpt分析下：

回答還是比較模棱兩可，并且可以確定的事情是chatgpt完全沒有理解這段代碼。

接下來還是使用Claude來測試下：

這個地方讓我震驚的點是，它不僅理解了這段代碼，而且知道在MLIR里面這段代碼只是一個Pattern規則，如果要應用這個規則需要在MLIR里面再構建一個Pass。最后我們再讓Claude給我們一些Review意見：

這里的第4點提示讓我感到有些疑惑，我還請教了下同事，順便讓同事補充一下注釋。

整體來說，在閱讀MLIR代碼方面，Claude已經相當智能，全面領先Newbing（Chatgpt），感覺以后可以日常用Claude來輔助Review IR相關代碼。

0x3. 總結

我這里以MLIR的一個任務對比了一下ChatGpt和Claude，我感受到了Calude的強大之處。雖然暫時還沒有評測過別的任務，但我已經被Calude表現出來的代碼分析能力所震撼。我們甚至可以將Claude作為一個入門AI編譯器的入門工具

--------------------------------分割線-------------------------------------

評論區有朋友提出newbing的一些功能被限制了，并不等價于chatgpt3.5，我借了一個官方的chatgpt賬號重新測試了一下，以下是測試結果：

就這個例子來說，chatgpt的解釋沒有Claude那么細節，Claude的結果確實比chatgpt的好一點，不過chatgpt確實知道這個是MLIR的Pass，不像newbing那樣被限制。

EliminateAllocOpsPass

接下來問問 EliminateAllocOpsPass 的實現：

我們可以對比下上面Calude的結果，感覺針對這個問題ChatGPT的描述以及理解是不如Claude那么自然的。從這個回答里面我們并不能看出ChatGPT理解了這個實現的原理，而Claude則完全理解了。

AppendOneFlowStreamPattern

對比下Claude：

可以看到Claude的分析比ChatGPT好很多，它明確的知道if (llvm::dyn_cast(op.getFunctionType().getInputs().back())) 這行代碼是檢查當前函數是否已經有Stream參數，而ChatGPT的回答則不知道這個指針類型的參數就代表Stream。

接下來是細節分析。

對比下Claude

Claude的解釋再次擊敗了ChatGPT

對比下Claude

可以看到Claude的結果顯然也是更優的，不僅為我們解釋了所有細節還列出了用到的MLIR相關屬性和接口。

MgpuToOneFlowStreamPass

我們最后再分析下MgpuToOneFlowStreamPass的實現。

對比Claude

Claude的結果也顯著優于ChatGPT，并且可以發現ChatGPT的回答里面還漏掉了一個mgpuStreamSynchronize ABI。最后，我們再問一下ChatGPT能不能給出一些修改意見。

感覺和Claude差不多。

結論2

整體來看，在這個Review MLIR代碼的任務中，Claude > ChatGPT >> NewBing

審核編輯 ：李倩