摩尔线程发布Torch-MUSA v2.7.0：AI训练推理性能大幅提升，算子总量突破1050个

摩尔线程近日正式推出Torch-MUSA v2.7.0版本，这是其专为PyTorch深度学习框架打造的MUSA扩展库在一个月内的第二次重大更新。此次升级聚焦AI模型训练与推理功能的强化，通过计算加速、内存优化及算子扩展三大方向实现技术突破。

在计算架构方面，新版本深度整合muFFT快速傅里叶变换库与muSolver线性求解器库，显著提升复杂数学运算效率。针对边缘计算场景，创新性地在Arm架构SoC设备中实现统一内存管理（UMM），采用UMA技术使GPU与CPU共享物理内存空间。经测试，该技术可消除30%以上的内存冗余分配，减少主机与设备间数据拷贝频次，并允许GPU直接访问CPU内存区域。

算子体系迎来全面扩容，新增ilshift位运算、replication_pad1d_bwd序列填充、ctcLossTensor语音识别等十余类算子，同时扩展CSR格式稀疏矩阵操作与量化算子支持范围。目前专属算子总量已突破1050个，覆盖深度学习全流程需求。性能优化方面，var/std统计计算、3D卷积等核心操作效率提升15%-20%，reduce_sum操作新增对uint8输入与int64输出的兼容。

系统层面同步实现多项增强：版本号策略调整为与PyTorch主版本对齐，支持MUSA SDK 4.2.0-4.3.0工具链；新增torch.musa.mccl.version接口便于版本查询；修复torch.norm形状计算等关键缺陷。值得关注的是，新版本引入动态双精度转换功能，支持通过环境变量灵活配置Float64到float32的转换策略，并优化分布式检查点机制，实现多进程并行加载模型。

此次更新延续了摩尔线程快速迭代的技术路线，距v2.5.0版本发布仅间隔四周。官方透露，下一版本v2.9.0将适配PyTorch 2.9.0框架，持续强化对大模型训练的支持能力。