摩尔线程开源MusaCoder代码大模型，国产GPU全栈训练获突破

在人工智能基础设施领域，国产GPU厂商实现了关键突破。近日，摩尔线程正式宣布，其专为GPU底层算子生成而研发的代码大模型MusaCoder现已全面开源。这一里程碑标志着国产GPU算力底座首次完成了代码大模型从训练到验证的全链路闭环，为高性能计算开发领域带来了全新的工具选择。

据了解，MusaCoder模型提供了9B和27B两种不同参数规模版本，专为GPU底层算子生成任务设计。其核心功能在于能够从PyTorch标准算子出发，自动生成高性能的CUDA或MUSA原生Kernel代码。这一解决方案旨在显著降低开发者手动编写底层GPU算子的技术门槛，并全面优化GPU高性能计算场景中的代码生成、验证与迭代效率。

性能表现超越主流模型

在关键的行业性能评测中，MusaCoder模型展现出了行业领先的能力水平。根据官方公布的KernelBench评测数据，MusaCoder-27B-RL模型在Overall Pass@8指标上达到93.2%，Avg@8指标为88.60%。这一卓越表现成功超越包括Claude Opus 4.7、DeepSeek-V4 Pro、GLM-5.1和Kimi K2.6在内的多款市场主流SOTA代码模型。

全栈训练流程依托国产算力

更加值得一提的是，MusaCoder的整体后训练流程已完全在国产硬件平台上实现。摩尔线程透露，该模型所经历的监督微调（SFT）、拒绝采样微调（RFT）、强化学习（RL）、异步rollout、在线编译执行验证及奖励计算等全栈训练与验证步骤，均完全依托于基于MTT S5000 GPU构建的“夸娥”智算集群来完成。

这一里程碑式的成果充分验证了，国产GPU不仅能够支撑大模型的推理与常规微调任务，更能够稳定承载代码大模型后训练全周期的算力需求。特别是在GPU Kernel生成这类复杂任务中，训练系统需要频繁进行代码的生成、编译、执行、验证以及反馈计算，这对GPU硬件、编译栈、运行时环境以及任务调度系统均提出了极高的协同要求。因此，MusaCoder的成功训练，为国产算力体系在高强度AI训练场景中的实际应用提供了极其关键的参考价值与路径示范。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：摩尔线程开源MusaCoder代码大模型，国产GPU全栈训练获突破要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题