最新 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。

最新从官方获悉，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