---
title: Google и Meta открыли исходный код TorchTPU для нативной поддержки PyTorch на TPU
url: https://www.dataloco.com/ru/google-i-meta-otkryli-isxodnyi-kod-torchtpu-dlia-nativnoi-podderzki-pytorch-na-tpu
published: 2026-10-28T13:37:49+00:00
language: ru
section: Разработка
source: https://www.infoq.com/news/2026/10/google-meta-torchtpu/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=global
organizations: Google, Meta, AWS, PyTorch Foundation, Hugging Face, Agentic AI Foundation
publisher: Dataloco
---

# Google и Meta открыли исходный код TorchTPU для нативной поддержки PyTorch на TPU

Компании Google и Meta представили TorchTPU, который является нативным бэкендом PyTorch для тензорных процессоров Google. Об этом было объявлено на конференции PyTorch Conference North America 2026 в Сан-Хосе.

Новый бэкенд заменяет PyTorch/XLA, который представлял собой мост с ленивыми тензорами и требовал внесения изменений в исходный код. TorchTPU позволяет переносить модели путем простой замены команды на перенос в память графического процессора на команду для тензорного процессора. Согласно заявлению Google Cloud, теперь тензорные процессоры становятся нативным вариантом для PyTorch наряду с центральными и графическими процессорами.

Инженер по программному обеспечению Meta Zongwei Zhou сообщил, что компания планирует переносить более масштабные рабочие нагрузки больших языковых моделей на тензорные процессоры. По его словам, команда PyTorch в Meta совместно с Google разрабатывала TorchTPU для обеспечения производительности, надежности и удобства обслуживания. Директор по разработке PyTorch в Meta Jana van Greunen отметила, что развитие искусственного интеллекта требует огромных вычислительных масштабов и разнообразия оборудования, поэтому компания не может быть ограничена одной архитектурой.

В рамках запуска были открыты четыре репозитория: TorchTPU, vLLM-TorchTPU, SGLang-TorchTPU и TorchTitan. Благодаря интеграции в низкоуровневый диспетчер PyTorch, модели Hugging Face работают с новым бэкендом сразу. Нативно работают движки вывода vLLM и SGLang, а TorchTitan поддерживает диффузионные модели, плотные модели и модели смеси экспертов для масштабного обучения. Для распределения нагрузок на тензорные процессоры в Kubernetes используются Ray и llm-d.

Google продемонстрировала почти линейное масштабирование на более чем 8,000 чипов TPU. В опубликованных результатах указано, что модель Qwen3 235B с архитектурой смеси экспертов была запущена на 8,192 чипах TPU v7x с использованием 28 процентов операций с плавающей запятой. При этом отмечается, что простая смена одной строки кода не гарантирует пиковой производительности, так как архитектура модели может быть оптимизирована под графические процессоры.

Для решения проблем с настройкой Google представила набор агентов TPU, доступный в режиме предварительного просмотра на GitHub. Эти агенты автоматизируют диагностику, настройку производительности и адаптацию.

Параллельно с этим компания AWS выпустила в публичную бету TorchNeuron, который является нативным бэкендом PyTorch для чипов Trainium. Он также использует точку расширения PrivateUse1 для регистрации оборудования. Однако сообщается, что первая версия TorchNeuron не поддерживает динамические формы входных данных и пропускает около 22,000 тестов PyTorch.