Avaliação de Modelos de Linguagem de Grande Escala na Geração Automática de Código Paralelo OpenMP

• Julio Cesar Nogueira UTFPR https://orcid.org/0009-0009-3556-9962
• André L. S. Kawamoto UTFPR https://orcid.org/0000-0002-0176-4366
• João Fabrício Filho UTFPR https://orcid.org/0000-0001-6036-4031
• Rogério A. Gonçalves UTFPR https://orcid.org/0000-0001-7020-6723

DOI: https://doi.org/10.5753/eradrs.2026.20521

Resumo

Este trabalho apresenta uma avaliação de Modelos de Linguagem de Grande Escala (LLMs) — incluindo ChatGPT 4.5, Gemini 3, Qwen, CodeLlama, entre outros — na geração/anotação automática de código paralelo OpenMP. Utilizando a suíte de benchmarks PolyBench/C, comparou-se o desempenho das versões geradas por Inteligência Artificial contra implementações manuais de especialistas e ferramentas de compilação determinísticas, como o LLVM PoLLy. Os resultados experimentais revelam que LLMs modernos produzem código com speedup competitivo, superando ferramentas tradicionais em cenários cache-friendly, embora ainda enfrentem desafios em kernels com dependências de dados complexas nos quais o modelo poliédrico prevalece.

Referências

Dagum, L. and Menon, R. (1998). OpenMP: an industry standard API for shared-memory programming. IEEE Computational Science and Engineering, 5(1):46–55.

GROSSER, T., GROESSLINGER, A., and LENGAUER, C. (2012). Polly — performing polyhedral optimizations on a low-level intermediate representation. Parallel Processing Letters, 22(04):1250010.

Mendonça, G., Guimarães, B., Alves, P., Pereira, M., Araújo, G., and Pereira, F. M. Q. (2017). DawnCC: Automatic Annotation for Data Parallelism and Offloading. ACM Trans. Archit. Code Optim., 14(2).

Pouchet, L.-N. and Yuki, T. (2012). PolyBench/C: The polyhedral benchmark suite. [link]. Versão 4.2.1.

Rozière, B., Gehring, J., Gloeckle, F., Sootla, S., Gat, I., Tan, X. E., Adi, Y., Liu, J., Sauvestre, R., Remez, T., Rapin, J., Kozhevnikov, A., Evtimov, I., Bitton, J., Bhatt, M., Ferrer, C. C., Grattafiori, A., Xiong, W., Défossez, A., Copet, J., Azhar, F., Touvron, H., Martin, L., Usunier, N., Scialom, T., and Synnaeve, G. (2024). Code llama: Open foundation models for code.