English(EN) MPS in PyTorch 2.15

PyTorch 2.15 通过 FP8 和更快的 LLM 解码提升 Mac 性能

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-20 00:00

PyTorch 2.15 为 Apple Silicon Mac 带来了显著的性能提升，包括支持 FP8 以减少内存使用和加快计算速度。此次更新还为专家混合 (MoE) 模型带来了显著的加速，部分解码任务速度提升高达 6.5 倍。此外，线性层和 softmax 操作的优化使所有大型语言模型受益，而特定的内核则提高了音频、视频和通用训练工作负载的性能。 AI

影响加速 Apple Silicon Mac 上的本地 LLM 推理和 AI 工作负载，使其更适合开发和部署。

排序理由这是对软件库 (PyTorch) 的更新，它提高了特定硬件 (Mac) 的性能，而不是新的前沿模型发布或重大的行业范围事件。

在 Hugging Face Blog 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

PyTorch 2.15 通过 FP8 和更快的 LLM 解码提升 Mac 性能

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是对软件库 (PyTorch) 的更新，它提高了特定硬件 (Mac) 的性能，而不是新的前沿模型发布或重大的行业范围事件。
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: infra, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 5 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

Hugging Face Blog TIER_1 English(EN) · 2026-10-20 00:00

PyTorch 2.15 中的 MPS

本文如何被排名

报道来源 [1]

PyTorch 2.15 中的 MPS

相关实体

相关话题