Wir haben einen KI-Agenten 🤖 gebaut, der den Code vollständig eigenständig optimiert, und ihn auf eines der anspruchsvollsten Performance-Ziele gerichtet, die wir haben: Pico, unser zkVM.
AutoEng durchläuft die komplette Performance-Engineering-Schleife ohne menschliches Zutun. Es profiliert den laufenden Prover, wählt den wertvollsten Engpass aus, erstellt eine Kandidaten-Optimierung und übernimmt sie nur dann, wenn die Messung belegt, dass die Änderung sowohl korrekt als auch schneller ist. Niemand genehmigt jeden einzelnen Schritt.
Das Ergebnis: Beim realen Proven von Ethereum-Blocks, einem System, das bereits über Jahre durch Expert:innen-Work optimiert und in Echtzeit betrieben wird, fand AutoEng eine konstante ~11%-End-to-End-Geschwindigkeitssteigerung—innerhalb von weniger als drei Tagen autonomer Laufzeit. Zum Einordnen: An dieser Grenze könnte ein:e Spezialist:in zwei bis drei Wochen aufwenden, um eine halbe Prozent Steigerung zu erreichen.
Was es vertrauenswürdig macht, ist einfach: Das Modell kann Vorschläge machen, aber es urteilt nie. Korrektheit wird bytegenau geprüft und die Geschwindigkeit anhand deterministischer Benchmarks entschieden—so kann es sich nicht in ein schlechtes Ergebnis hineinreden.
Und die Schleife war nie Pico-spezifisch. Der gleiche messbasierte Agent hat auch außerhalb von Pico Benchmarks bestritten, kurzzeitig #1 beim ecdsa.fail Quantum-Circuit-Challenge erreicht (vor dem Beitrag von Google) und auf GPU MODE unter die Top 20 geschafft—~2,4× schneller als MAGMA.
Die meisten Geschichten „KI schreibt Code“ enden bei der Generierung und lassen einen Menschen das Ergebnis prüfen. AutoEng automatisiert auch das Urteilen, und es verdient sich jede behauptete Beschleunigung. Ein kleiner, aber echter Einblick in autonomes Performance Engineering.
Vollständiger Bericht: https://blog.brevis.network/2026/07/06/autoeng-the-ai-agent-that-autonomously-made-state-of-the-art-code-11-faster/
AutoEng durchläuft die komplette Performance-Engineering-Schleife ohne menschliches Zutun. Es profiliert den laufenden Prover, wählt den wertvollsten Engpass aus, erstellt eine Kandidaten-Optimierung und übernimmt sie nur dann, wenn die Messung belegt, dass die Änderung sowohl korrekt als auch schneller ist. Niemand genehmigt jeden einzelnen Schritt.
Das Ergebnis: Beim realen Proven von Ethereum-Blocks, einem System, das bereits über Jahre durch Expert:innen-Work optimiert und in Echtzeit betrieben wird, fand AutoEng eine konstante ~11%-End-to-End-Geschwindigkeitssteigerung—innerhalb von weniger als drei Tagen autonomer Laufzeit. Zum Einordnen: An dieser Grenze könnte ein:e Spezialist:in zwei bis drei Wochen aufwenden, um eine halbe Prozent Steigerung zu erreichen.
Was es vertrauenswürdig macht, ist einfach: Das Modell kann Vorschläge machen, aber es urteilt nie. Korrektheit wird bytegenau geprüft und die Geschwindigkeit anhand deterministischer Benchmarks entschieden—so kann es sich nicht in ein schlechtes Ergebnis hineinreden.
Und die Schleife war nie Pico-spezifisch. Der gleiche messbasierte Agent hat auch außerhalb von Pico Benchmarks bestritten, kurzzeitig #1 beim ecdsa.fail Quantum-Circuit-Challenge erreicht (vor dem Beitrag von Google) und auf GPU MODE unter die Top 20 geschafft—~2,4× schneller als MAGMA.
Die meisten Geschichten „KI schreibt Code“ enden bei der Generierung und lassen einen Menschen das Ergebnis prüfen. AutoEng automatisiert auch das Urteilen, und es verdient sich jede behauptete Beschleunigung. Ein kleiner, aber echter Einblick in autonomes Performance Engineering.
Vollständiger Bericht: https://blog.brevis.network/2026/07/06/autoeng-the-ai-agent-that-autonomously-made-state-of-the-art-code-11-faster/
