PyTorch 2.15 为 MPS 后端带来 FP8 与更快的 LLM 解码

如果你在 Mac 上运行模型，或使用 MPS 作为主要的计算加速工具，那么 PyTorch 2.15 有不少值得期待的内容！FP8 登陆 MPS，语言模型解码在线性层和 softmax 上获得更快的路径，新的 Metal 内核则着手处理音频、视频和训练工作负载中一些出人意料地昂贵的部分。

先简单介绍一下我们是谁：我们是 Hugging Face 的 PyTorch 团队。我们在 PyTorch 的多个方面都有贡献，其中一个重点领域是 MPS 后端，目标是让你的 Mac 成为运行和训练 PyTorch 模型的一流平台。2026 年初时，在 MPS 上运行哪怕是小模型，也常常意味着要绕过不支持的操作、性能断崖和意外的内存增长。因此，我们在语言、图像和视频领域运行来自 Hugging Face Hub 的真实模型，找出 MPS 的不足之处，并在 PyTorch 上游修复它们，而且越来越多地是用专门的 Metal 内核替换 MPSGraph。本文的很多内容正是这项工作的成果，是与 PyTorch 维护者和社区贡献者共同完成的。

TL;DR

• FP8 来到 Mac：以 BF16 一半的空间存储 float8_e4m3fn 值，并使用缩放矩阵乘法以及 CUDA/CPU 上支持的所有其他算子！
• MoE 模型解码比 2.14 快 5–6.5 倍：得益于带专用解码路径的原生分组 matmul、更少的 GPU-CPU 同步以及更快的 top-k 路由，Qwen3.6-35B-A3B 在 M3 Ultra 上从 9.4 tokens/s 提升到 61.3 tokens/s。
• 每个 LLM 的每 token 耗时更少：单行线性层使用专门的矩阵-向量内核，词表上的 softmax 约快 8 倍。
• GPU 上更多的线性代数：复数 LU 和三角求解、更快的小矩阵求逆，以及更快的 QR 分解。
• 音频、视频和训练也得到关注：卷积、填充、dropout、插值反向和归约获得更快的路径。Wan2.2 的视频 VAE 解码现在内存峰值是 8 GiB，而不是 270 GiB。
• 从 Python 获得更多控制：公开的 MPS 流和更可靠的事件计时。
• 更新的要求：MPS 现在要求 macOS 15 或更高版本；PyTorch 2.15 要求 Python 3.11 或更高版本。
• 2.16 前瞻：注意力完全运行在 Metal 上、更多 MPSGraph 到 Metal 的迁移，以及更快的 LLM 解码。

这对你意味着什么

如果你在 Mac 上使用 transformers、diffusers 或 ComfyUI 之类的工具运行模型，以下是 2.15 在实际使用中的变化：

• 本地 LLM 快得多。混合专家模型解码比 2.14 快 5–6.5 倍：在配备 torch.compile 的 M3 Ultra 上，Qwen3.6-35B-A3B 从 9.4 tokens/s 提升到 61.3 tokens/s，LFM2.5-8B-A1B 从 23.6 tokens/s 提升到 123.6 tokens/s。稠密模型也从中受益，得益于更快的线性层和用于采样的快 8 倍的 softmax。（更多）
• 视频生成不再爆内存。用 Wan2.2 的分块 VAE 解码视频过去会把驱动内存推到 270 GiB；现在峰值约为 8 GiB。（更多）
• 用 Qwen-Image-2.1 正确进行图像编辑。在 2.14 上，Qwen-Image-2.1 的 VAE 编码器在 MPS 上会静默损坏图像，破坏图像编辑工作流（在 ComfyUI 中报告）。同样的填充改动修复了它：编码-解码往返现在与 CPU 匹配，达到 29.95 dB PSNR，此前为 10.06 dB。
• 在你的 Mac 上使用 FP8 权重。 FP8 张量占用的内存是 BF16 的一半，而 F.scaled_mm 会直接在 GPU 上对它们进行乘法运算。（更多）

目录

• 快速开始
• FP8 登陆 MPS
• 更快的语言模型解码
• 线性代数性能提升
• 卷积、填充与训练
• Softmax 与归约
• 视频解码的内存占用大幅降低
• 通过 MPS 流获得更多控制
• 更多运算可在 MPS 上运行
• PyTorch 2.16 抢先看
• 总结

快速开始

你需要一台搭载 Apple 芯片的 Mac，运行 macOS 15 或更高版本，并安装 Python 3.11 或更高版本（参见 2.15 兼容性矩阵）。如果你的操作系统版本过低或没有可用的 Metal GPU，MPS 可用性检查现在会告诉你原因。

要在独立环境中试用候选版本：

uv pip install torch==2.15.0 --index-url https://download.pytorch.org/whl/test/cpu

FP8 登陆 MPS

FP8 为你在 Mac 上节省内存提供了另一种方式。PyTorch 2.15 在 MPS 上新增了 torch.float8_e4m3fn 张量：每个值占一个字节，存储空间是 FP16 或 BF16 的一半。

你可以用 F.scaled_mm 对这些张量进行乘法运算，它同时支持按张量和按行缩放。下面是一个每个张量使用一个缩放因子的小示例：

import torch
import torch.nn.functional as F

def quantize_fp8(x):
    limit = torch.finfo(torch.float8_e4m3fn).max
    scale = x.abs().amax().clamp_min(1e-12) / limit
    return (x / scale).to(torch.float8_e4m3fn), scale

x = torch.randn(1, 1024, device="mps", dtype=torch.float32)
weight = torch.randn(1024, 1024, device="mps", dtype=torch.float32)
x_fp8, x_scale = quantize_fp8(x)
w_fp8, w_scale = quantize_fp8(weight)

y = F.scaled_mm(
    x_fp8,
    w_fp8.t(),
    scale_a=x_scale,
    scale_recipe_a=F.ScalingType.TensorWise,
    scale_b=w_scale,
    scale_recipe_b=F.ScalingType.TensorWise,
    output_dtype=torch.bfloat16,
)
print(y.shape, y.dtype)

更快的语言模型解码

每个 LLM 都有预填充阶段和解码阶段。在解码期间，每个新 token 都以单行形式通过模型，因此大型矩阵乘法变成了矩阵-向量乘法。PyTorch 2.15 加速了主导这一步骤的两类层：稠密线性层和混合专家层。

线性层

自 2.14 起，MPS 就已为 torch.mm 提供 GEMV 内核，但 F.linear 仍要经过 MPSGraph。PyTorch 2.15 将它们接入 F.linear，因此常见的 [1, 1, hidden_size] 解码输入会直接使用这些内核，符合条件的偏置加法也会被融合进去。在来自真实模型的 96 种 BF16 层形状上，这带来了 1.23 倍的几何平均加速。收益最大的是小型投影，例如 MoE 模型中的门控，旧路径在这些地方浪费了大部分内存带宽。大型层和 LM 头本就已接近带宽瓶颈，因此基本保持在 1 倍左右。

混合专家层

混合专家层会向每个专家发送不同数量的 token。分组矩阵乘法可在单次运算中处理这些不均匀的分组，2.15 为 MPS 提供了原生实现。

在 2.14 中，分组矩阵乘法会将分组偏移量复制到 CPU，并循环遍历各分组。新的 Metal 内核直接在 GPU 上读取偏移量，在可用时使用 Metal Performance Primitives，否则走单独的 Metal 路径。小分组（解码期间的常见情况）也有自己的内核。

例如，64 个 token 可以拆分为 16、32 和 16 的分组：

import torch
import torch.nn.functional as F

tokens = torch.randn(64, 64, device="mps", dtype=torch.bfloat16)
weights = torch.randn(3, 128, 64, device="mps", dtype=torch.bfloat16)
ends = torch.tensor([16, 48, 64], device="mps", dtype=torch.int32)

out = F.grouped_mm(tokens, weights.transpose(-2, -1), offs=ends)
print(out.shape)  # torch.Size([64, 128])

解码内核直接体现在 token 吞吐量上。在 搭载 torch.compile 的 M3 Ultra 上，MoE 模型每秒生成的 token 数约提升 1.3 倍：

线性代数性能提升

复值计算

处理复数张量变得更轻松了。complex64 LU 分解、LU 求解和三角求解现在可在 MPS 上运行，这也解锁了基于它们构建的运算和梯度，例如复数行列式。下面是一个直接在 GPU 上求解的小型方程组：

import torch

a = torch.randn(8, 8, device="mps", dtype=torch.complex64)
a = a + 8 * torch.eye(8, device="mps", dtype=torch.complex64)
b = torch.randn(8, 2, device="mps", dtype=torch.complex64)

lu, pivots = torch.linalg.lu_factor(a)
x = torch.linalg.lu_solve(lu, pivots, b)
print((a @ x - b).abs().max().item())

小矩阵与更大规模的求解

小矩阵也能获得快速内核。对于相机几何和图像变换，最多 4 × 4 的 FP32 矩阵批次可在单个 Metal 内核中求逆，该内核将分解与求解合并在一起。更大规模的问题同样得到关注：QR 使用分块更新，而三角求解将其大部分工作转化为高效的矩阵乘法。

Gated DeltaNet 工作负载获得了一条专用快速路径，适用于至少八个右端项的 16 × 16、32 × 32 和 64 × 64 FP32 三角方程组批次。

SVD 在数值极端情况下也更加稳健。它现在能正确处理极小的奇异值、极大或极小的输入量级以及使用 full_matrices=True 的基补全，这反过来使伪逆和最小二乘结果更加可靠。

卷积、填充与训练

音频模型、视频解码器和训练循环各有其昂贵的运算。本次发布为其中若干运算提供了经由 Metal 的新路径：

Softmax 与归约

Token 采样在 2.15 中也变得更快。softmax 和 log_softmax 现在运行在专用 Metal 内核上，大词表受益最大：对 [1, 128256] 行 logits 的 FP32 softmax 从 57 µs 降至 7 µs，比 MPSGraph 版本快约 8 倍。这一加速在其他常见词表大小上同样成立：

视频解码的内存占用大幅缩小

本次发布最引人注目的结果之一来自常量填充的改动。Wan-AI/Wan2.2-TI2V-5B-Diffusers 中的 VAE 解码在完整的 28 分块解码过程中进行了 8,764 次填充调用。使用 Metal 填充后，驱动内存峰值从约 270 GiB 降至 8 GiB：

通过 MPS 流获得更多控制

你现在可以直接从 Python 选择由哪个 MPS 流运行你的工作。torch.mps.Stream 和 torch.mps.stream 上下文管理器提供了该接口，而 Tensor.record_stream 让分配器能够跟踪张量在另一条流上的使用情况。

下面是一个小例子，它将工作发送到单独的流，并在读取结果前进行同步：

import torch

x = torch.randn(1024, device="mps")
torch.mps.synchronize()
worker = torch.mps.Stream()

with torch.mps.stream(worker):
    y = x.square()
    x.record_stream(worker)

del x
worker.synchronize()
print(y.cpu().shape)

更多操作在 MPS 上运行

现在有更多操作在 MPS 上运行：torch.frexp、torch.logspace、torch.take 和 Tensor.put_、torch.heaviside、torch.special.laguerre_polynomial_l 以及 无符号整数比较。logspace 尚不支持元素数大于 1 的整数或布尔输出。

注意力机制也获得了一项正确性修复：缩放点积注意力的 MPS 数学实现现在能够正确处理批和头的广播。

PyTorch 2.16 抢先看

2.16 的工作已经在顺利推进。下面的一些改动已经合入 main 并可在 nightly 版本中使用；另一些仍在评审中，因此细节可能会在发布前发生变化。

更快的 LLM 解码

一旦模型的解码路径不再包含任何 MPSGraph 操作，GPU 只有在 CPU 完成其所有内核的编码后才会开始处理一个 token。PyTorch 2.16 每 16 个内核提交一次命令缓冲区，因此 GPU 在 CPU 仍在编码其余部分时就能开始工作。对于 2048 token 上下文下的编译式 BF16 解码：

注意力完全在 Metal 上运行

缩放点积注意力正在完全弃用 MPSGraph：所有形状都将在 Metal 内核上运行，解码使用专用向量内核，较新 macOS 版本上的半精度预填充使用 Metal Performance Primitives。过去回退到 MPSGraph 的形状受益最大。在 M5 Pro 上，使用分组查询注意力（32 个查询头、8 个 KV 头、头维度 80、4K 上下文）进行解码的耗时从 465 µs 降至 65 µs，头维度为 40 的 4K × 4K 预填充从 42 ms 降至 6 ms。

更多从 MPSGraph 到 Metal 的迁移

摆脱 MPSGraph 的进程仍在继续。批归一化的前向和反向正在进行中，而 MSE 损失（在小输入上最高快 12 倍）、std_mean 和 var_mean（最高快 4 倍）以及 bincount 已经合入。bincount 最为显著：当大多数值落入同一个分箱时，统计 400 万个整数过去需要 6.8 秒，现在只需半毫秒。

更小的安装包

捆绑的着色器将默认针对 Metal 3.1 构建，Metal 4 版本仅为需要它们的内核编译。这使 libtorch_cpu.dylib 缩小约 25%，从 384 MiB 降至 287 MiB，并为支持更快矩阵乘法和原生 FP8 矩阵乘法的 Metal 4.1 着色器奠定基础。

总结

PyTorch 2.15 将 FP8 带到 Mac，为稠密模型和 MoE 模型带来更快的 LLM 解码，在 GPU 上提供更多线性代数运算，并将一长串操作从 MPSGraph 迁移到专用 Metal 内核。快来试试候选发布版吧！

我们的下一步

• 更多 MPS：2.16 将完全在 Metal 上运行注意力，我们也会继续将操作迁离 MPSGraph。
• torch.compile：我们正在努力消除图断点，让更多模型能够端到端编译。
• 你的想法：我们接下来还应该在 PyTorch 中做些什么？如果有任何东西在 MPS 或其他地方运行缓慢、缺失或损坏，请在 GitHub 上提交 issue 告诉我们。

非常感谢 Nikita Shulga、Kurt Mohler 和 Aaron Gokaslan 审阅了本项工作的大部分内容，也感谢在本版本中为 MPS 做出贡献的每一个人。