为评测大模型能否承担这项工作，研究团队提出 AccelEval：从可信的 CPU 程序出发，检验 AI 能否生成结果正确、端到端更快的 GPU 实现。在这种情况下，GPU 加速就不再只是把一个局部计算改写成 CUDA，而是需要先理解整个程序的计算结构：哪些部分可以并行，哪些依赖必须保留，数据应该放在哪里，哪些计算值得融合，以及 CPU 和 GPU 之间如何分工。这些结果说明，自动 CPU-to-GPU 加速已经具有实际潜力，但不能脱离测量条件理解：加速比只统计通过的任务，CPU 对照也是统一的单线程实现，并不是对经过充分调优的多线程 CPU 的普遍优势。