Los modelos de lenguaje de gran escala (LLM) con capacidades agénticas pueden generar código en Rust significativamente más rápido que las librerías de estado del arte, según un análisis técnico publicado en enero de 2025. El autor demuestra que, mediante la aplicación iterativa de instrucciones específicas de optimización, los agentes de IA logran mejoras de velocidad entre 2 y 20 veces en tareas de alto rendimiento, como la reducción de dimensionalidad con el algoritmo UMAP.
El proceso, denominado 'Benchmaxxing', se basa en el uso de herramientas de benchmarking como la librería criterion para establecer líneas base de rendimiento. El autor detalla cómo los agentes de IA, como Claude Opus 4.5, iteran sobre el código utilizando técnicas de bajo nivel en Rust, como operaciones SIMD, fusión de funciones y gestión de memoria con Arc, en lugar de código inseguro. La metodología requiere definir objetivos cuantitativos claros, como mejorar el rendimiento en un 1.2x o más, para evitar que el agente se detenga prematuramente.
Este enfoque permite a los desarrolladores obtener implementaciones de alto rendimiento que mantienen la seguridad de memoria y la capacidad de compilación a WebAssembly, características clave de Rust. El artículo destaca que, aunque la optimización no es el foco principal de los modelos entrenados con RLHF para resolver problemas de código estándar, la aplicación de restricciones estrictas y objetivos medibles permite a los LLMs mejorar drásticamente la eficiencia del código generado, superando a las soluciones tradicionales en dominios específicos de ciencia de datos y computación de alto rendimiento.