AWS 发布 TorchNeuron：Trainium 的原生 PyTorch 后端开源

Google 与 Meta 联合开源 TorchTPU，为 Google TPU 提供原生 PyTorch 后端，模型只需把 .to("cuda") 改成 .to("tpu") 即可开箱运行，无需 JAX 依赖。

vLLM 为追求前沿性能正转向硬件专用的 flat 模型定义，与 fullgraph torch.compile 不兼容，影响 OOT 加速器、旧 GPU 和较冷门模型的支持。

ExecuTorch 发布 WebGPU 后端，PyTorch 模型通过 torch.export 导出为 .pte 文件后即可在支持 WebGPU 的浏览器中经 GPU 推理，无需转成 GGUF、ONNX 或 TFLite 等其他框架格式。

PyTorch Foundation 发布 PyTorch 2.15，重写的 NCCL 后端成为所有 nccl 进程组的默认选项，附飞行记录器在 collective 挂起时转储现场，并保留 TORCH_DIST_USE_NCCL2=0 和 nccl-legacy 回退路径。

PyTorch 团队发布 TorchTitan 平台的重大更新，新增对 Muse Spark Open、Qwen3-VL、Qwen3.5、Kimi K2.7/K3、DeepSeek-V4 等开源模型的完整训练支持，覆盖 5D 并行。

PyTorch 在 AMD MI350 系列 GPU 上通过现有算子 API 接入 FlyDSL 后端，覆盖 dense/grouped GEMM、FMHA、MXFP8/MXFP4 缩放 GEMM、RMSNorm 和 TopK，无需调用自定义 kernel。

PyTorch 为 TorchTitan 引入 Zephon，一种弹性确定性数据加载方案，在训练任务内即时完成 tokenize、pack、shuffle 和 mix，无需预处理语料副本。

PyTorch 官方与 Arm 合作宣布 ExecuTorch 的 Cortex-M 后端，使 PyTorch 模型无需转换为其他框架格式即可直接运行在 Arm Cortex-M CPU 上，并利用 CMSIS-NN 加速，单一工作流支持 Scalar、DSP 和 MVE/Helium 全部能力层级。

PyTorch 加速器集成工作组公布 2026 H1 进展，推出跨仓库 CI 中继（CRCR）机制，可在 pytorch/pytorch 的 PR 提交后并行触发下游仓库 CI 并回传状态至 hud.pytorch.org/crcr。

Google 推出 Gemini Decisions API，由新模型 Gemini Decision 1 驱动，可在 150-250ms 端到端延迟内对文本、图像、音频、视频和 PDF（最多 256K tokens）一次性评估最多 1000 个是/否、多选和评分题。