นักวิจัยได้นำเสนอ JAXBench ซึ่งเป็นชุดเครื่องมือเบนช์มาร์กแบบ TPU-native สำหรับการปรับแต่ง Kernel ที่สร้างโดย AI บน Google Cloud TPU โดยประกอบด้วยเวิร์กโหลด JAX จำนวน 50 รายการ ซึ่งรวมถึงโอเปอเรเตอร์ที่ใช้งานจริงในสถาปัตยกรรมอย่าง Llama-3.1, AlphaFold2 และ Mixtral การวิจัยพบว่าการใช้ข้อมูลบริบทเฉพาะทาง เช่น เอกสารประกอบของ TPU มีผลต่อความถูกต้องของโค้ดมากกว่าการขยายขนาดของตัวโมเดล AI เพียงอย่างเดียว
ผลการทดสอบแสดงให้เห็นว่าระบบ Autocomp สามารถสร้างความเร็วที่เพิ่มขึ้น (Speedup) ได้ถึง 1.36 เท่าเมื่อเทียบกับ XLA และเข้าใกล้ประสิทธิภาพระดับผู้เชี่ยวชาญ (Hand-tuned) ในหลายกรณี อย่างไรก็ตาม การปรับแต่ง Kernel สำหรับงานเฉพาะทาง เช่น paged attention และ ragged attention ยังคงเป็นความท้าทายที่ต้องมีการพัฒนาต่อไป
