IT 之家 11 月 28 日消息，近日，摩尔线程正式发布 PyTorch 深度学习框架的 MUSA 扩展库 —— Torch-MUSA v2.7.0，新版本在功能集成、性能优化与硬件支持方面实现进一步突破。Torch-MUSA 在短短一个月内，连续完成 v2.5.0 和 v2.7.0 两次版本更新。
据介绍，自 v2.5.0 起，Torch-MUSA 版本号已与 PyTorch 主版本号保持同步，便于开发者进行版本识别与管理。新版本进一步集成 muSolver 与 muFFT 等计算加速库，显著提升复杂计算任务的执行效率；同时新增对统一内存设备（Unified Memory）的 UMM 支持，有效优化内存使用效率。
此外，新版本继续保持与最新 MUSA SDK 的兼容性，支持使用 MUSA SDK 4.2.0 至 4.3.0 及更高版本进行编译。目前 Torch-MUSA 专属支持的算子总数已超过 1050 个，系统在性能与稳定性方面均实现进一步提升。
v2.7.0 版本主要更新内容：
新增特性
新增 muFFT 与 muSolver 库集成，大幅扩展计算能力；
在面向边缘计算的 SoC 设备中支持统一内存管理，基于 Arm 架构的 UMA（统一内存寻址）设计，实现 GPU 与 CPU 共享同一物理内存空间，显著降低模型运行过程中的内存开销，具体包括：消除 GPU 端重复内存分配；减少主机与设备间的内存拷贝；GPU 可直接访问由 CPU 分配器申请的内存空间。
算子扩展与性能优化
新增支持包括 ilshift、irshift、replication_pad1d_bwd、angle、ctcLossTensor、ctcLossTensorBwd、logit、amin / amax / prod.dim_int、glu_bwd 等多个算子；
新增基础 Sparse ( CSR ) 操作支持；
扩充量化算子支持范围；
修复 torch.norm 形状错误问题；
支持 reduce_sum 的 uint8 输入与 int64 输出；
C++ 扩展新增支持 tensor.is_musa ( ) 方法；
修复空输入下 argmax/argmin 的异常行为；
优化 var / std、pad、convolution3d、layer_norm 等操作的执行效率。
系统功能增强
开放 torch.musa.mccl.version ( ) 接口；
支持 getCurrentMUSABlasHandle 与 getCurrentMUSABlasLtHandle；
优化 FSDP2 流水线并行策略，降低训练内存占用。
IT 之家从官方获悉，Torch-MUSA 将继续跟进 PyTorch 的版本更新，计划下一版本支持 PyTorch 2.9.0，并进一步优化性能与功能。
Torch-MUSA 开源地址：https://github.com/MooreThreads/torch_musa
