PyTorch 2.14 : Python 3.15, sans compile

Python 3.15 : oui, mais en eager seulement

PyTorch 2.14 ajoute le support binaire de Python 3.15, y compris la build sans GIL 3.15t, sur toutes les plateformes : Linux x86_64 et aarch64, Windows, macOS Apple Silicon, en CPU, CUDA, ROCm et XPU. torchvision 0.29.0 suit avec les mêmes roues.

Deux réserves décident de votre mise à jour.

torch.compile ne fonctionne pas sous 3.15. L'appel lève une RuntimeError — un choix délibéré, pour que la limite se voie tout de suite au lieu de se traduire par une perte de performance silencieuse. Si votre charge dépend de la compilation, restez en 3.14. Le travail sur Dynamo est en cours, suivi dans l'issue pytorch/pytorch#184352.

Les roues 3.15 ne sont pas sur PyPI. Elles ne s'installent que depuis download.pytorch.org :

Terminal

pip3 install torch --index-url https://download.pytorch.org/whl/cpu
pip3 install torch --index-url https://download.pytorch.org/whl/cu130
pip3 install torch --index-url https://download.pytorch.org/whl/rocm7.14

Sous un interpréteur free-threaded, les mêmes commandes résolvent automatiquement les roues cp315t.

Bonne nouvelle en passant : torchvision 0.29 est ABI-stable vis-à-vis de torch 2.14, donc compatible avec les 2.15, 2.16 et suivantes. L'équipe pourrait cesser de synchroniser ses sorties sur celles de PyTorch.

Apple Silicon : la vraie surprise

L'algèbre linéaire sur MPS s'appuyait sur les primitives MPSGraph d'Apple, ou retombait sur le CPU. Cette version écrit des kernels Metal :

SVD, eigh, lstsq en kernels de type Jacobi, pour float32 et complex64 — ce qui débloque au passage matrix_rank, pinv, cond et les normes qui en dépendent. Le float64 reste sur CPU, Metal n'ayant pas de type double.
Cholesky : factorisation par panneaux, 1,2 à 2,8× plus rapide selon la taille, plus une correction de justesse sur les types complexes qui pouvaient produire un résultat faux sans le dire.
lu_factor / lu_solve réécrits à la main : plus de 100× sur de petites matrices en lot, 2 à 9× sur de grandes matrices isolées.
Attention de prefill : un second kernel s'appuie sur les Metal Performance Primitives de macOS 26.2, pour fp16/bf16 et des dimensions de tête de 64, 96, 128 ou 256. Gain mesuré de 2 à 4× selon la forme, sans changer une ligne — MPS choisit le kernel quand la forme et le type conviennent. Les mesures ont été validées sur M5 ; le comportement sur les générations antérieures n'a pas été vérifié indépendamment.

Le reste, en bref

Côté GPU : NVGEMM amène dans Inductor des kernels CUTLASS générés par CuTeDSL, un backend nccl2 arrive pour PyTorch Distributed, et la tolérance aux pannes devient un concept de premier ordre dans c10d. torch.switch généralise torch.cond au branchement multi-voies, et torch.while_loop se capture désormais dans un graphe CUDA.

Dépréciations à noter : les avertissements TorchScript sont maintenant visibles, l'option use_cuda disparaît du profiler, et le chemin Relay du backend TVM est supprimé au profit du frontend relax.

À retenir

Python 3.15 en production seulement si vous n'utilisez pas torch.compile.
Les roues 3.15 changent vos fichiers de dépendances : --index-url obligatoire.
Sur Mac, la mise à jour vaut le coup pour l'inférence : le prefill accélère de 2 à 4× sans toucher au code.

Source : PyTorch