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-MUSAv2.7.0，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（UnifiedMemory）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MUSASDK的兼容性，支持使用MUSASDK4.2.0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PyTorch2.9.0，并进一步优化性能与功能。

Torch-MUSA开源地址：https://github.com/MooreThreads/torch_musa