O PyTorch 2.15 traz alterações ao backend MPS, que permite executar operações de aprendizagem automática na GPU de Macs com Apple Silicon. Numa publicação datada de 20 de outubro de 2026, a equipa de PyTorch da Hugging Face destaca o suporte para tensores FP8, novos caminhos para a descodificação de modelos de linguagem e melhorias em operações usadas em tarefas de áudio, vídeo e treino. A publicação indica como requisitos um Mac com Apple Silicon, macOS 15 ou posterior e Python 3.11 ou posterior.

Nos testes divulgados pela equipa, modelos mixture-of-experts apresentaram maiores velocidades de descodificação do que no PyTorch 2.14. Num M3 Ultra, com torch.compile, o Qwen3.6-35B-A3B passou de 9,4 para 61,3 tokens por segundo. Para o LFM2.5-8B-A1B, os valores indicados foram 23,6 e 123,6 tokens por segundo, respetivamente. A publicação atribui as melhorias a um caminho de descodificação dedicado, a uma multiplicação de matrizes agrupada nativa, a menos sincronizações entre GPU e CPU e a um encaminhamento top-k mais rápido. São resultados comunicados pelos autores; não correspondem a uma avaliação independente.

A equipa refere também melhorias para modelos densos, incluindo kernels especializados para camadas lineares com uma única linha e uma operação softmax sobre o vocabulário cerca de oito vezes mais rápida. O ganho efetivo pode variar consoante o modelo e o equipamento. A publicação não apresenta estes números como uma garantia de desempenho para todas as aplicações ou configurações.

O suporte para float8_e4m3fn permite armazenar cada valor num byte, metade do espaço de FP16 ou BF16, segundo o artigo. A função scaled_mm pode multiplicar tensores FP8 na GPU e aceita escalas por tensor ou por linha. A atualização inclui ainda alterações em álgebra linear, convoluções, preenchimento, dropout, retropropagação da interpolação e reduções. Passam também a estar disponíveis streams MPS públicos e, segundo a equipa, uma temporização de eventos mais fiável.

Na descodificação do VAE em mosaicos do Wan2.2, o pico de memória indicado desceu de 270 GiB para cerca de 8 GiB. A publicação relata ainda uma correção para corrupção silenciosa de imagens no codificador VAE do Qwen-Image-2.1 em MPS. Num teste de codificação e descodificação, a métrica PSNR passou de 10,06 para 29,95 dB, valor que, segundo os autores, corresponde ao resultado em CPU.

A publicação descreve a instalação de uma versão candidata separada com o comando `uv pip install torch==2.15.0 --index-url https://download.pytorch.org/whl/test/cpu`. Não apresenta esse comando como instrução para uma versão final. Também antecipa, para o PyTorch 2.16, atenção executada integralmente em Metal, mais migrações de MPSGraph para Metal e melhorias na descodificação de modelos de linguagem; são desenvolvimentos futuros, não funcionalidades do 2.15.

Porque importa

As alterações podem facilitar a execução local de modelos de linguagem, imagem e vídeo em Macs com Apple Silicon. Os números de desempenho e memória são resultados publicados pela equipa da Hugging Face e não garantem ganhos iguais noutras configurações.

Fontes

MPS in PyTorch 2.15Hugging Face ↗