开源的机器学习库
PyTorch 生态系统工作组正式接纳 10 项新开源项目，包括 Perforated（数据效率库）、AReaL（异步 RL 基础设施）、TorchJD（多损失优化库）等。此次更新显著增强了 PyTorch 在边缘 AI、多目标训练及具身智能领域的工具链能力，为开发者提供了从模型微调到智能体部署的全栈解决方案。
PyTorch 官方宣布将于 2026 年 10 月在旧金山举办北美技术大会，重点展示编译器、运行时及工程化领域的最新突破。核心亮点包括通过 Relay 机制实现 58 万 + 社区测试用例的复用，将异构后端（如 Ascend NPU）的兼容性验证时间从“天”级缩短至“分钟”级；同时引入 LLM 辅助的 CI 自动化流程，利用 Agent 进行 PR 审查与故障排查。此外，PyTorch 还将发布针对现代硬件的感知型张量布局扩展，以及将嵌套图断裂复杂度从 O(N²) 优化至 O(1) 的编译器底层改进。
PyTorch 官方发布 2026 北美峰会指南，聚焦 GPU、TPU、NPU 及定制 ASIC 的异构计算加速。核心亮点包括 Trainium 原生支持、FlyDSL 编译器后端、Helion 统一抽象层及 vLLM 在 Intel GPU 上的性能突破。这些更新旨在解决 Agent 时代的工作负载迁移难题，实现零代码变更下的跨硬件高性能推理与训练。
PyTorch 与 Hugging Face 联合举办技术晚宴，聚焦大规模推理、强化学习环境与分布式训练等核心基础设施。活动强调从 AI 用户向系统构建者的转变，分享了 PyTorch 性能剖析、SGLang 推理架构及 Hugging Face Kernels 等关键技术，旨在提升印度本土在 ML 系统底层架构中的贡献能力。
PyTorch 基金会宣布寒武纪（Cambricon）正式成为白金会员，这是 AI 芯片厂商首次获此殊荣。寒武纪将凭借“上游优先”策略，持续贡献 torch.compile、Eager Operators 等核心模块，并推动 vLLM 在寒武纪硬件上的 Day 0 支持。此举旨在通过软硬件协同优化，降低开发者迁移成本，构建更开放、通用的 AI 基础设施。
2026 年 9 月，在 PyTorch Conference China 上，阿里云、寒武纪与蚂蚁集团正式加入 PyTorch 基金会，其中阿里云与寒武纪成为白金会员，蚂蚁集团为黄金会员。此次合作标志着中国开源 AI 生态在芯片、模型、框架及基础设施层面的深度整合，旨在构建从硅片到软件再到部署的全栈式开放 AI 体系。
PyTorch 2026 中国峰会于上海举行，聚焦“开源 AI 时代”下的基础设施与模型协同。峰会宣布阿里云、蚂蚁集团、寒武纪正式加入 PyTorch Foundation，标志着开源生态在硬件适配、分布式训练及 Agent 运行时领域的深度合作。会议展示了从实验到生产的全链路技术演进，强调了异构计算与云原生架构在构建统一 AI 栈中的关键作用。
PyTorch 官方宣布其 Helion 项目正式集成至 HuggingFace Kernels 生态。此次更新允许开发者通过 Helion DSL 编写高性能计算核，并利用 Kernels 平台进行标准化的自动调优（Autotuning）与分发。用户无需手动管理依赖即可通过 `get_kernel` 命令无缝加载预优化好的 Flash Attention 3 等高性能核，显著降低冷启动时间并提升推理效率。
PyTorch Conference North America 2026 将于 10 月 20-21 日在旧金山举行，vLLM 作为核心亮点亮相。本次大会将深度探讨 KV Cache 管理、 disaggregated serving（ disaggregated 服务）、硬件可移植性及多专家并行等前沿技术。vLLM 展示了从原生分层 KV 缓存卸载到弹性专家并行等关键突破，旨在解决大模型推理中的延迟与资源瓶颈，推动 LLM 服务向更灵活、更高效的架构演进。
PyTorch 2026 北美峰会将全面聚焦 Agentic AI（智能体 AI）与下一代智能技术。会议不仅涵盖从 RL 训练到生产级推理的全链路技术，更涉及 Agent 构建 PyTorch 内核、跨芯片迁移及物理世界机器人控制等前沿议题。核心亮点包括无灾难性遗忘的持续学习架构、OpenEnv 开源 RL 环境互操作层、以及针对异构系统的性能优化策略，标志着 AI 开发范式从单一模型向自主智能系统转型。
PyTorch 2.14 正式发布，带来 NVGEMM 新 GPU 数学后端、基于 torchcomms 的 nccl2 分布式通信协议及 Apple Silicon 原生线性代数支持。此次更新显著提升了大规模训练的性能、可靠性与硬件兼容性，涵盖 AMD ROCm 7.14 与 Intel XPU 平台，并引入声明式动态形状声明，简化编译与导出流程。
Meta 团队利用 Triton Low-level Extensions (TLX) 重新设计了 Jagged Flash Attention (JFA) 内核，旨在解决 Meta Generative Ads Model (GEM) 在 NVIDIA Blackwell (B200) 芯片上的性能瓶颈。该方案通过显式硬件控制（如异步任务、显式显存管理）替代传统手写 CUDA，将代码量减少 3 倍，同时在前向传播和反向传播上分别提升约 13% 和 50% 的性能，实现了高性能与高开发效率的平衡。
