MooreThreads Releases MusaCoder-27B Coding Model

•MusaCoder-27B 專為 PyTorch 到 CUDA/MUSA 原生核心生成而優化，專注於低階 GPU 編程任務，而非通用程式碼生成，涵蓋張量形狀推理、執行緒/區塊映射、記憶體索引等複雜細節。
•該模型採用全棧式後訓練流程，包括多來源監督式微調、經驗證器過濾的拒絕微調，以及基於執行回饋的強化學習。
•在 KernelBench 及其 MUSA 移植變體的評估中，MusaCoder-27B 在核心正確性和運行時加速方面展現了領先業界的性能，超越了 Claude Opus 4.7 和 DeepSeek-V4-Pro 等主流模型。
•摩爾執行緒發布 MusaCoder-27B 旨在推動其 MUSA 開源生態系統的發展，並促進基於大型語言模型 (LLM) 的程式碼生成和 GPU 核心合成研究。
•MusaCoder 的整個訓練和驗證流程完全在摩爾執行緒的國內硬體基礎設施上完成，具體來說是基於 MTT S5000 GPU 節點的 KUAE 智慧運算叢集。

📊 競品分析▸ Show

模型名稱 / 基準測試	KernelBench Overall Pass@8 (%)	KernelBench Avg.@8 (%)	相較於 Claude Opus 4.7 的 Faster Rate 提升 (點數)
MusaCoder-27B-RL	93.2	88.60	+3.2 (Faster Rate vs. Eager), +1.7 (Faster Rate vs. Compile)
Claude Opus 4.7	-	-	基準
DeepSeek-V4-Pro	-	-	-
GLM-5.1	-	-	-
Kimi K2.6	-	-	-

註：表格中 '-' 表示該特定基準測試數據未在搜尋結果中明確提供。摩爾執行緒的 AI 編碼計畫也與 Microsoft Copilot、Cursor 和阿里巴巴集團控股等產品競爭。

模型初始化： 基於 Qwen3.6-27B 進行初始化和訓練。
專業化： 專為從 PyTorch 參考程式碼生成原生 GPU 核心而優化，特別針對 CUDA/MUSA 後端。
核心任務： 專注於低階 GPU 編程任務，包括張量形狀推理、執行緒/區塊映射、記憶體索引、邊界處理、歸約策略、數值穩定性和性能導向的核心優化。
訓練流程： 採用全棧式後訓練流程，包含：
- 多來源監督式微調 (SFT) 數據建構。
- 經執行驗證器過濾的拒絕微調 (RFT)。
- 基於執行回饋的強化學習 (RL)，以實際編譯、執行、正確性檢查、反回退檢測和運行時測量作為獎勵訊號。
強化學習穩定技術： 引入 PrimeEcho（用於首輪錨定的多輪獎勵）、Buffered Dynamic Retry（用於從所有失敗的困難樣本中恢復訊號）和 MirrorPop（用於離策略序列過濾）。
評估協議： 使用 MooreEval 協議在 KernelBench 類型的任務上進行評估，檢查程式碼提取、介面有效性、編譯成功、隨機正確性、禁止 PyTorch/ATen 回退檢測、同步運行時測量以及速度提升閾值大於 1.1 倍的 Faster Rate。
硬體基礎： 在摩爾執行緒專有的 KUAE 智慧運算叢集上進行訓練和驗證，該叢集基於 MTT S5000 GPU 節點。
許可證： 採用 Apache License 2.0。

摩爾執行緒將鞏固其作為全棧 AI 基礎設施提供商的地位。

MusaCoder-27B 的發布及其在自家 GPU 上訓練的實踐，證明了摩爾執行緒整合硬體和軟體的能力，超越了單純的晶片製造。

MUSA 生態系統的採用和發展將加速。

MusaCoder-27B 的發布旨在推廣 MUSA 開源生態系統，並降低編寫、驗證和優化 MUSA 核心的門檻，這可能吸引更多開發者。

中國國內 AI 晶片和軟體獨立性將進一步提升。

摩爾執行緒的「AI 編碼計畫」和 MusaCoder-27B 被明確定位為完全國產的解決方案，旨在地緣政治緊張局勢下減少對外國技術的依賴。

2020-10

摩爾執行緒成立

2022-03

發布 MUSA 架構和 MTT S 系列 GPU

2023-09

推出 LLM AI 卡 MTT S4000 和 KUAE AI 叢集

2023-10

被列入美國實體清單

2025-12

在上海證券交易所首次公開募股 (IPO)

2026-02

推出「AI 編碼計畫」

MooreThreads 發布 MusaCoder-27B 程式編碼模型