5月9日消息，近日，国产GPU厂商摩尔线程正式发布Torch-MUSA v2.0.0版本，这是其面向PyTorch深度学习框架的MUSA扩展库的重要升级。
在Torch-MUSA中，用户只需指定torch.device("musa")，即可将现有的PyTorch模型迁移到MUSA架构的GPU上运行，无需大幅修改代码，目前Torch-MUSA已完全开源，可通过GitHub获取源代码。
作为本次升级的核心亮点，Torch-MUSA v2.0.0率先在国产GPU上实现了对FP8数据类型的完整支持。
FP8是当前AI计算的一种低精度格式，在支持原生FP8的GPU上，大语言模型训练采用FP8混合精度可大幅提高GPU算力，降低显存占用。
摩尔线程基于新一代MUSA Compute Capability 3.1计算架构的全功能GPU原生支持FP8计算，为Torch-MUSA v2.0.0实现FP8矩阵乘法和分布式通信优化提供了基础。
依托这一底层架构优势，Torch-MUSA v2.0.0能够充分发挥FP8的计算效能，显著提升大语言模型训练和推理的效率。
Torch-MUSA v2.0.0在MUSA计算平台引入多项创新功能，进一步提升深度学习任务的执行效率，主要包括：
1、新增虚拟内存管理支持：
MUSA虚拟内存管理技术能够有效缓解GPU内存碎片化问题，降低模型训练过程中的峰值内存占用，特别适用于FSDP、DeepSpeed和Megatron-LM等主流大模型训练框架。
2、新增MUSA Graph支持：
MUSA Graph技术将多个MUSA内核整合到一个图中，通过单次CPU调度大幅减少启动开销，提升计算效率，同时与CUDA Graph接口高效兼容。
3、torch.compile增加Triton后端支持：
为torch.compile提供了Triton-MUSA后端支持，开发者可以直接使用PyTorch原生接口，获得更高效的性能表现。
不仅如此，Torch-MUSA v2.0.0在完整支持PyTorch 2.2.0的基础上，还新增了对PyTorch 2.5.0的支持，使开发者能够在基于MUSA Compute Capability 3.1计算架构的全功能GPU上，无缝运行新版本的PyTorch。
未来Torch-MUSA还将继续跟进PyTorch的版本更新，计划支持更高版本的PyTorch。
标签： 摩尔线程
