在Windows上使用RX 6650 XT运行自编译的ROCm和PyTorch时，LLM推理加速不明显，GPU利用率低。通过Python脚本检查PyTorch操作，发现54个操作返回CUDA/HIP张量，但性能未必高。常见问题包括MIOpen编译错误和显存不足，建议使用torch.profiler进行性能分析。

作者在Windows上使用RX 6650 XT显卡自编译ROCm和PyTorch进行深度学习。尽管torch.cuda.is_available()返回True，但GPU加速效果不佳，仅为1.7-2.0倍。主要原因包括自回归解码效率低、小模型在内存访问上的瓶颈，以及未启用高性能路径。建议进一步研究以优化性能。

选择PyTorch或TensorFlow时，关键在于项目需求。PyTorch适合研究和实验，因其动态计算图和直观的Python API，广泛用于自然语言处理和强化学习。TensorFlow在生产部署和企业环境中表现优越，提供成熟的工具和优化支持。选择应基于具体应用场景和团队背景。

在巴黎的PyTorch大会上，PyTorch基金会宣布了三个新项目：Safetensors、ExecuTorch和Helion，旨在增强开源AI的安全性和效率。Safetensors提供安全的模型分发，ExecuTorch简化边缘设备上的模型运行，Helion则简化机器学习内核的开发。这标志着PyTorch在开源AI领域的进一步发展。

2026年9月8日至9日，上海将举办KubeCon + CloudNativeCon + OpenInfra Summit Asia + PyTorch Conference China，汇聚云原生、开放基础设施和AI社区。活动欢迎开发者和企业领导分享经验，讨论技术挑战。提案征集已开放，截止日期为2026年5月3日，注册也已开始，提供多种通行证类型。

AutoKernel是一个自动化工具，旨在优化PyTorch模型的GPU性能。它通过分析瓶颈、提取内核并自动修改代码，显著提高实验效率，减轻开发者负担。该工具结合了Karpathy的autoresearch理念，实现了持续的性能提升，展示了智能体在科研中的潜力。

PyTorch 2.x引入了编译器以加速深度学习程序，但研究人员在适应过程中面临挑战。为此，推出了depyf工具，它可以将PyTorch生成的字节码反编译为源代码，帮助用户逐行调试并加深对底层过程的理解。

Mooncake正式加入PyTorch生态系统，专注于开放治理和与PyTorch社区的长期合作。它提供高效的通信和存储基础设施，支持分散的LLM架构，提升推理性能。Mooncake的功能包括预填充与解码分离、全局KVCache重用、弹性专家并行和容错分布式后端，已被多家知名企业广泛采用。

作者在 Windows 11 上成功编译了 ROCm 版的 PyTorch，使用了官方 ROCm 软件包和较旧的 PyTorch 2.9.1 版本，避免了许多问题，并安装了相关库以进行深度学习和 AI 画图实验。

本文记录了作者在Windows 11上使用AMD RX 6650 XT显卡、ROCm和PyTorch进行AI绘图的尝试，尽管遇到多次编译错误，作者计划持续更新，直至成功或放弃。

摩尔线程开源了TorchCodec-MUSA，实现了PyTorch编解码库的硬件适配，支持无缝迁移至国产GPU，提升视频处理效率，简化开发流程，降低使用门槛，推动国产GPU在AI训练中的应用。

PyTorch 2.10 发布，增强了对 Intel GPU、AMD ROCm 和 NVIDIA CUDA 的支持，新增功能和性能优化，包括对 Python 3.14 的支持及改进的调试功能。