2025_NIPS_IR-OptSet: An Optimization-Sensitive Dataset for Advancing LLM-Based IR Optimizer

文章核心总结与创新点

主要内容

本文针对传统编译器依赖手工优化规则、扩展性差的问题，提出首个公开的优化敏感数据集IR-OptSet，用于提升基于大语言模型（LLMs）的中间表示（IR）优化器性能。该数据集包含170K条LLVM IR样本，源自8个优化领域的1704个开源仓库，定义了代码分析和优化代码生成两大核心任务，并提供正确性验证、性能评估和数据集扩展工具链。实验表明，基于该数据集微调的LLMs在两项任务中准确性显著提升，且在64个测试案例中优化效果超越传统编译器-O3选项，同时相比现有数据集具备更丰富的转换多样性和更强的泛化能力。

创新点

1. 首个优化敏感数据集：聚焦真实场景中能触发多样优化转换的样本，每个程序平均包含22.89个有效优化步骤，填补现有数据集缺乏代表性转换样本的空白。
2. 任务与工具链协同设计：任务对齐编译器优化流程，配套的正确性验证（双阶段校验）、性能评估（静态分析工具）和扩展工具，支持端到端的模型训练与评估。
3. 实证验证优势：在小样本微调下仍能提升不同类型LLMs的优化能力，生成的IR在部分场景中超越传统编译器，且转换多样性和跨数据集泛化性优于现有同类数据集。

---

英文原文翻译（Markdown格式）

Abstract

编译器优化对于提升程序性能至关重要，但现代编译器仍依赖于针对中间表示（IR）的手工编写转换规则。随着编译器复杂度的提升，维护这些基于规则的优化变得日益