Команда PyTorch выкатила v2.12, а заметный шаг в сторону production ML и ускорения вычислений.
⚡ До 100× быстрее `linalg.eigh` на CUDA
Batched eigendecomposition теперь работает в разы быстрее благодаря новому backend selection через cuSolver. Для scientific computing и ML-задач это может превращать минуты вычислений в секунды.
🧠 Новый `torch.accelerator.Graph`
Появился единый API для graph capture/replay across hardware — CUDA, XPU и другие backends. Ещё один шаг к hardware-agnostic PyTorch.
🚀 Fused Adagrad optimizer
Adagrad(fused=True) теперь выполняется в одном CUDA kernel — меньше overhead, быстрее обучение.📦 Экспорт сильно сжатых моделей
torch.export теперь поддерживает Microscaling (MX) quantization, что важно для дешёвого inference и edge deployment LLM.🎮 CUDA Graphs + control flow
torch.cond теперь можно запускать внутри CUDA Graphs — branching начинает жить прямо на GPU.📍 Навигация: Вакансии • Задачи • Собесы
Библиотека питониста
#буст