N環球 
TorchTPU de código abierto de Google, que lleva PyTorch nativo a las TPU
Google anunció en la Conferencia PyTorch 2026 que TorchTPU, su pila PyTorch nativa para TPU desarrollada conjuntamente con el equipo PyTorch de Meta, ahora es de código abierto en GitHub. El código PyTorch existente se ejecuta en las TPU de Google con cambios mínimos.
Por qué es importante
PyTorch es el marco de desarrollo de IA dominante (algunas estimaciones dicen que alrededor del 85% de las aplicaciones de IA lo utilizan) y ha sido optimizado durante mucho tiempo para las GPU de Nvidia. TorchTPU convierte a las TPU de Google en una opción nativa para PyTorch, lo que reduce drásticamente el costo de la migración y potencialmente afloja el bloqueo del ecosistema CUDA de Nvidia.
Informe completo
El blog de Google Cloud (por Mark Lohmeyer, vicepresidente y director general de IA e infraestructura informática, y Bill Jia, vicepresidente de ingeniería) anunció en la Conferencia PyTorch 2026 que TorchTPU, la pila PyTorch nativa de Google para TPU, ahora es de código abierto en GitHub. Las TPU ahora se unen a las GPU y CPU como una opción nativa para PyTorch, que abarca capacitación, servicio e implementación.
TorchTPU fue desarrollado conjuntamente con el equipo de PyTorch en Meta y reemplaza la ruta PyTorch/XLA en la que confiaban anteriormente los desarrolladores: depurar en modo ansioso y luego usar torch.compile para rendimiento a nivel de producción. El código existente solo necesita cambiar model.to("cuda") a model.to("tpu") para ejecutarse en TPU.
TorchTPU funciona con herramientas que los desarrolladores ya utilizan, incluidas vLLM, SGLang, llm-d, TorchTitan, Ray, TorchRec, Hugging Face y LiteRT. Google también lanzó backends de TPU nativos para vLLM y SGLang (construidos con Inferact y RadixArk respectivamente), que ya no pasan por JAX; las versiones JAX se mantienen.
Jana van Greunen, directora de ingeniería de PyTorch en Meta, dijo en el anuncio que TorchTPU permite a Meta implementar cargas de trabajo de PyTorch (LLM, anuncios y sistemas de recomendación) en las TPU de Google mientras envía comentarios directamente a los equipos de ingeniería, generando la flexibilidad del ecosistema que todos necesitan.
💬 Comments
No comments yet. Be the first!