摩尔线程Torch-MUSA v2.7.0发布，全面加速AI训练与推理。
11月28日，摩尔线程正式发布其为PyTorch深度学习框架打造的MUSA扩展库——Torch-MUSA v2.7.0。这一新版本在功能集成、性能优化以及硬件支持方面实现了显著突破，标志着国产GPU生态在AI计算领域持续加速演进。值得注意的是，在短短一个月内，Torch-MUSA连续推出了v2.5.0和v2.7.0两个重要更新，展现出团队高效的研发节奏与对开发者生态的高度重视。
据官方介绍，自v2.5.0版本起，Torch-MUSA已实现与PyTorch主版本号同步命名，此举极大地方便了开发者进行版本识别与依赖管理，降低了迁移和维护成本。此次发布的v2.7.0不仅延续了这一策略，更进一步集成了muSolver与muFFT等高性能计算加速库，显著提升了在科学计算、信号处理等复杂任务中的执行效率。从技术角度看，这类底层数学库的深度融合，是构建完整AI软硬协同体系的关键一步，也反映出摩尔线程正逐步补齐生态短板。
尤为值得关注的是，新版本首次在面向边缘计算的SoC设备中引入对统一内存设备（UMM）的支持。基于Arm架构的UMA（统一内存寻址）设计，使GPU与CPU能够共享同一物理内存空间，从而有效减少主机与设备间的冗余数据拷贝，降低整体内存开销。这一改进对于资源受限的边缘端AI推理场景意义重大——它不仅能提升能效比，还为轻量化模型部署提供了更强的技术支撑，有望推动国产GPU在智能终端、工业控制等边缘计算领域的落地应用。
Torch-MUSA v2.7.0在算子层面也实现了大幅扩展。新增支持ilshift、irshift、angle、logit、ctcLossTensor及其反向传播等多个常用算子，并补充了基础Sparse（CSR）格式操作和更多量化算子，增强了对稀疏计算与低精度推理的支持能力。这些细节虽不显眼，却是保障主流模型兼容性的“基石”。特别是修复torch.norm形状错误、解决空输入下argmax/argmin异常等问题，体现出开发团队正在积极回应社区反馈，稳步提升系统稳定性与用户体验。
在性能优化方面，新版对var/std、pad、convolution3d、layer_norm等高频操作进行了效率调优，这对于训练大规模神经网络具有实际价值。同时，C++扩展中新增tensor.is_musa()方法，也为第三方库开发者提供了更友好的接口支持。系统级功能上，开放torch.musa.mccl.version()接口及支持获取当前BLAS句柄，增强了调试与多卡通信的能力；而FSDP2流水线并行策略的优化，则有助于降低大模型训练时的内存占用，显示出摩尔线程正逐步向高端AI训练场景迈进。
目前，Torch-MUSA专属支持的算子总数已超过1050个，且持续保持与最新MUSA SDK（4.2.0至4.3.0及以上版本）的兼容性。这种快速迭代的能力，反映出摩尔线程在软件栈建设上的投入力度。尽管相较于CUDA生态仍有差距，但其发展速度不容小觑。尤其是在当前国产替代需求日益强烈的背景下，一个稳定、高效、开源的深度学习框架支持体系，已成为衡量国产GPU成败的核心指标之一。
可以预见，随着下一版本计划支持PyTorch 2.9.0，Torch-MUSA将继续紧跟主流框架演进节奏。这不仅是技术层面的追赶，更是生态话语权的争夺。在一个由英伟达长期主导的生态系统中，摩尔线程通过持续输出高质量的开源工具链，正在悄然构建属于自己的开发者护城河。长远来看，能否赢得开发者的心，或许比芯片参数本身更为关键。
Torch-MUSA开源地址：https://github.com/MooreThreads/torch_musa
