xla

2.8k 568 较难 1 次阅读昨天NOASSERTION开发框架

AI 解读由 AI 自动生成，仅供参考

PyTorch/XLA 是一个连接 PyTorch 深度学习框架与谷歌云 TPU 硬件的桥梁工具。它利用 XLA（加速线性代数）编译器，让开发者能够直接在高性能的 TPU 设备上运行和训练 PyTorch 模型，无需大幅修改现有代码。

这一工具主要解决了 PyTorch 原生对 TPU 支持不足的问题，打破了框架与特定硬件间的壁垒。对于习惯使用 PyTorch 生态的研究人员和工程师而言，这意味着可以低成本地利用 TPU 强大的并行计算能力来加速大规模模型的训练与推理，尤其适合处理如 Stable Diffusion 生成或大语言模型微调等计算密集型任务。

其核心技术亮点在于独特的“懒执行”（Lazy Execution）机制：系统会先捕获整个计算图并进行全局优化，再下发给 TPU 执行，从而显著提升硬件利用率。此外，最新版本默认采用 C++11 ABI 构建，进一步优化了计算图追踪性能，有效缓解了因主机 CPU 忙于追踪而导致 TPU 闲置的瓶颈。无论是希望在 Kaggle 上免费体验 TPU 的初学者，还是需要在云端部署分布式训练的专业团队，PyTorch/XLA 都是释放 TPU 算力的理想选择。

使用场景

一家生成式 AI 初创公司正试图在 Google Cloud TPU v5p 集群上微调 Mixtral 8x7B 大语言模型，以降低成本并提升训练效率。

没有 xla 时

硬件资源浪费：由于默认构建版本追踪效率低，主机 CPU 忙于编译计算图，而昂贵的 TPU 核心却处于空闲等待状态，导致算力利用率不足 40%。
训练速度缓慢：无法利用 XLA 编译器对算子进行融合与优化，每个训练步的耗时显著增加，原本预计 3 天的任务需运行超过一周。
显存溢出频繁：缺乏针对 TPU 架构的内存优化，处理长序列数据时极易触发 OOM（内存溢出）错误，迫使团队不断缩小 Batch Size。
生态迁移成本高：团队现有的 PyTorch 代码无法直接运行在 TPU 上，需要花费大量时间重写为 JAX 或 TensorFlow 格式。

使用 xla 后

算力满负荷运转：通过安装 C++11 ABI 版本的 xla，大幅降低了主机追踪开销，TPU 利用率飙升至 90% 以上，实现了“计算不等人”。
训练效率倍增：xla 自动融合算子并优化执行计划，使 Mixtral 8x7B 的吞吐量提升数倍，将训练周期从一周压缩回 3 天内。
支持更大规模数据：借助 xla 的懒张量（Lazy Tensor）机制和内存管理优化，团队成功在单卡上运行更大的 Batch Size，提升了模型收敛稳定性。
代码零改动迁移：仅需引入 torch_xla 包并微调启动脚本，原有的 PyTorch 训练逻辑即可无缝在 TPU 集群上运行，保护了既有代码资产。

xla 的核心价值在于打破了框架与硬件的壁垒，让开发者能用熟悉的 PyTorch 代码，直接释放 Google TPU 的极致算力。

运行环境要求

操作系统

Linux

GPU

不需要 NVIDIA GPU
该工具专为 Google Cloud TPU 设计，运行需依赖 TPU 硬件或 TPU VM 环境

内存

未说明

依赖

notes1. 主要运行环境为 Google Cloud TPU VM，也可在 Kaggle 免费试用。 2. 自 2025 年 3 月起，默认使用 C++11 ABI 构建版本，不再提供旧版 ABI，切换至 C++11 ABI 可提升懒张量追踪性能。 3. 支持单进程、多进程及 SPMD（单程序多数据）模式，其中多进程与 SPMD 不兼容。 4. 安装 TPU 版本时需指定额外的 wheel 索引源和查找链接。

python3.8 - 3.13 (稳定版支持 3.8-3.11，夜间版支持 3.11-3.13)

torch==2.8.0 (或对应版本)

torch_xla[tpu]==2.8.0 (或对应版本)

pallas (可选，用于自定义内核)

快速开始

PyTorch/XLA

[!NOTE] 10/2025: 根据社区反馈，我们为 PyTorch 在 TPU 上提出了一个更原生的方向。请阅读 RFC 并在 #9684 中发表评论。

当前 CI 状态：

PyTorch/XLA 是一个 Python 包，它使用 XLA 深度学习编译器将 PyTorch 深度学习框架和 Cloud TPU 连接起来。您现在就可以在单个 Cloud TPU 虚拟机上免费试用，只需通过 Kaggle 即可！

请查看我们的其中一个 Kaggle 笔记本来开始使用：

安装

TPU

要在新的 TPU 虚拟机中安装 PyTorch/XLA 稳定版：注意：构建版本适用于 Python 3.8 至 3.11；请使用受支持的版本之一。

# - 对于 venv
# python3.11 -m venv py311
# - 对于 conda
# conda create -n py311 python=3.11

pip install torch==2.8.0 'torch_xla[tpu]==2.8.0'

# 可选：如果您正在使用自定义内核，请安装 pallas 依赖项
pip install --pre torch_xla[pallas] --index-url https://us-python.pkg.dev/ml-oss-artifacts-published/jax/simple/ --find-links https://storage.googleapis.com/jax-releases/libtpu_releases.html

自 2025 年 7 月 16 日起，并从 Pytorch/XLA 2.8 版本开始，PyTorch/XLA 将为 Python 3.11 至 3.13 提供 nightly 和 release 轮子 要在新的 TPU 虚拟机中安装 PyTorch/XLA nightly 版本：

pip install --pre torch torchvision --index-url https://download.pytorch.org/whl/nightly/cpu
# 根据需要将 `cp310-cp310` 编辑为您所需的 Python 版本
pip install 'torch_xla[tpu] @ https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.9.0.dev-cp312-cp312-linux_x86_64.whl' \
  -f https://storage.googleapis.com/libtpu-wheels/index.html

C++11 ABI 构建

自 2025 年 3 月 18 日起，并从 Pytorch/XLA 2.7 版本开始，C++11 ABI 构建已成为默认选项，我们不再提供使用 pre-C++11 ABI 构建的轮子。

在 Pytorch/XLA 2.6 中，我们将提供使用两种 C++ ABI 风格构建的轮子和 Docker 镜像：C++11 和 pre-C++11。Pre-C++11 是默认设置，以与 PyTorch 上游保持一致，但 C++11 ABI 轮子和 Docker 镜像具有更好的延迟张量跟踪性能。

要安装 C++11 ABI 风格的 2.6 轮子（以 Python 3.10 为例）：

pip install torch==2.6.0+cpu.cxx11.abi \
  https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.6.0%2Bcxx11-cp310-cp310-manylinux_2_28_x86_64.whl \
  'torch_xla[tpu]' \
  -f https://storage.googleapis.com/libtpu-releases/index.html \
  -f https://storage.googleapis.com/libtpu-wheels/index.html \
  -f https://download.pytorch.org/whl/torch

上述命令适用于 Python 3.10。我们还提供了 Python 3.9 和 3.11 的轮子：

要访问 C++11 ABI 风格的 Docker 镜像：

us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.6.0_3.10_tpuvm_cxx11

如果您的模型处于跟踪瓶颈状态（例如，您会发现主机 CPU 正在忙于跟踪模型，而 TPU 处于空闲状态），切换到 C++11 ABI 轮子或 Docker 镜像可以提高性能。Mixtral 8x7B 在 v5p-256 上的基准测试结果，全局批次大小为 1024：

Pre-C++11 ABI MFU：33%
C++ ABI MFU：39%

Github 文档地图

我们的 GitHub 存储库包含许多关于如何使用 PyTorch XLA 不同方面的有用文档，以下是分布在我们仓库中的有用文档列表：

docs/source/learn：关于 XLA 相关概念、故障排除、pjrt、eager 模式和动态形状的文档。
docs/source/accelerators：指向 TPU 加速器文档的参考。
docs/source/perf：关于 PyTorch/XLA 性能相关方面的文档，例如：AMP、DDP、Dynamo、Fori 循环、FSDP、量化、重新编译和 SPMD。
docs/source/features：关于分布式 torch、pallas、scan 和稳定 hlo 的文档。
docs/source/contribute：关于设置 PyTorch 进行开发以及降低操作指南的文档。
PJRT 插件：
- CPU
torchax/docs：torchax 文档
- torchax/examples：torchax 示例

入门

以下是两种模式的指南：

单进程：一个 Python 解释器一次控制一个 TPU
多进程：启动 N 个 Python 解释器，分别对应系统中的 N 个 TPU

另一种模式是 SPMD，即一个 Python 解释器控制系统中的所有 N 个 TPU。多进程模式更为复杂，且与 SPMD 不兼容。本教程不涉及 SPMD。如需了解更多信息，请参阅我们的 SPMD 指南。

简单的单进程模式

要更新您现有的训练循环，请进行以下更改：

+import torch_xla

 def train(model, training_data, ...):
   ...
   for inputs, labels in train_loader:
+    with torch_xla.step():
       inputs、labels = training_data[i]
+      inputs、labels = inputs.to('xla')、labels.to('xla')
       optimizer.zero_grad()
       outputs = model(inputs)
       loss = loss_fn(outputs、labels)
       loss.backward()
       optimizer.step()

+  torch_xla.sync()
   ...

 if __name__ == '__main__':
   ...
+  # 将模型参数移动到您的 XLA 设备
+  model.to('xla')
   train(model、training_data、...)
   ...

上述更改应能使您的模型在 TPU 上进行训练。

多进程

要更新您现有的训练循环，请进行以下更改：

-import torch.multiprocessing as mp
+import torch_xla
+import torch_xla.core.xla_model as xm

 def _mp_fn(index):
   ...

+  // 将模型参数移动到您的 XLA 设备
+  model.to('xla')

   for inputs, labels in train_loader:
+    with torch_xla.step():
+      // 将数据传输到 XLA 设备。此操作异步进行。
+      inputs, labels = inputs.to('xla'), labels.to('xla')
       optimizer.zero_grad()
       outputs = model(inputs)
       loss = loss_fn(outputs, labels)
       loss.backward()
-      optimizer.step()
+      // `xm.optimizer_step` 会跨副本合并梯度
+      xm.optimizer_step(optimizer)

 if __name__ == '__main__':
-  mp.spawn(_mp_fn, args=(), nprocs=world_size)
+  // torch_xla.launch 会自动选择正确的世界大小
+  torch_xla.launch(_mp_fn, args=())

如果您正在使用 DistributedDataParallel，请进行以下更改：

 import torch.distributed as dist
-import torch.multiprocessing as mp
+import torch_xla
+import torch_xla.distributed.xla_backend

 def _mp_fn(rank):
   ...

-  os.environ['MASTER_ADDR'] = 'localhost'
-  os.environ['MASTER_PORT'] = '12355'
-  dist.init_process_group("gloo", rank=rank, world_size=world_size)
+  // 从 XLA 设备运行时推断出排名和世界大小
+  dist.init_process_group("xla", init_method='xla://')
+
+  model.to('xla')
+  ddp_model = DDP(model, gradient_as_bucket_view=True)

-  model = model.to(rank)
-  ddp_model = DDP(model, device_ids=[rank])

   for inputs, labels in train_loader:
+    with torch_xla.step():
+      inputs, labels = inputs.to('xla'), labels.to('xla')
       optimizer.zero_grad()
       outputs = ddp_model(inputs)
       loss = loss_fn(outputs, labels)
       loss.backward()
       optimizer.step()

 if __name__ == '__main__':
-  mp.spawn(_mp_fn, args=(), nprocs=world_size)
+  torch_xla.launch(_mp_fn, args=())

有关 PyTorch/XLA 的更多信息，包括其语义和功能的描述，可在 PyTorch.org 上找到。有关在 XLA 设备（TPU、CPU 等）上运行网络的最佳实践，请参阅 API 指南。

我们的完整用户指南可在以下位置找到：

PyTorch/XLA 教程

参考实现

AI-Hypercomputer/tpu-recipes 仓库包含用于训练和部署多种 LLM 和扩散模型的示例。

可用的 Docker 镜像和轮子包

Python 包

从 r2.1 版本开始，PyTorch/XLA 将在 PyPI 上发布。您现在可以使用 pip install torch_xla 安装主构建。要在安装主构建后同时安装与已安装 torch_xla 对应的 Cloud TPU 插件，请执行以下命令：

pip install torch_xla[tpu]

TPU 的每日构建版本可在我们的公共 GCS 存储桶中找到。

版本	Cloud TPU 每日轮子包
每日版（Python 3.11）	`https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.9.0.dev-cp311-cp311-linux_x86_64.whl`
每日版（Python 3.12）	`https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.9.0.dev-cp312-cp312-linux_x86_64.whl`
每日版（Python 3.13）	`https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.9.0.dev-cp312-cp312-linux_x86_64.whl`

使用每日构建

您还可以添加 yyyymmdd，例如 torch_xla-2.9.0.devyyyymmdd（或最新的开发版本），以获取指定日期的每日轮子包。以下是一个示例：

pip3 install torch==2.9.0.dev20250423+cpu --index-url https://download.pytorch.org/whl/nightly/cpu
pip3 install https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.9.0.dev20250423-cp310-cp310-linux_x86_64.whl

torch 轮子包版本 2.9.0.dev20250423+cpu 可在 https://download.pytorch.org/whl/nightly/torch/ 上找到。

旧版本

版本	Cloud TPU VM 轮子包
2.7（Python 3.10）	`https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.7.0-cp310-cp310-manylinux_2_28_x86_64.whl`
2.6（Python 3.10）	`https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.6.0-cp310-cp310-manylinux_2_28_x86_64.whl`
2.5（Python 3.10）	`https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.5.0-cp310-cp310-manylinux_2_28_x86_64.whl`
2.4（Python 3.10）	`https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.4.0-cp310-cp310-manylinux_2_28_x86_64.whl`
2.3（Python 3.10）	`https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.3.0-cp310-cp310-manylinux_2_28_x86_64.whl`
2.2（Python 3.10）	`https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.2.0-cp310-cp310-manylinux_2_28_x86_64.whl`
2.1（XRT + Python 3.10）	`https://storage.googleapis.com/pytorch-xla-releases/wheels/xrt/tpuvm/torch_xla-2.1.0%2Bxrt-cp310-cp310-manylinux_2_28_x86_64.whl`
2.1（Python 3.8）	`https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.1.0-cp38-cp38-linux_x86_64.whl`

Docker

注意：自 PyTorch/XLA 2.7 版本起，所有构建默认将使用 C++11 ABI

版本	Cloud TPU VM Docker
2.7	`us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.7.0_3.10_tpuvm`
2.6	`us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.6.0_3.10_tpuvm`
2.6（C++11 ABI）	`us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.6.0_3.10_tpuvm_cxx11`
2.5	`us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.5.0_3.10_tpuvm`
2.4	`us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.4.0_3.10_tpuvm`
2.3	`us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.3.0_3.10_tpuvm`
2.2	`us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.2.0_3.10_tpuvm`
2.1	`us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:r2.1.0_3.10_tpuvm`
每日版 Python	`us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:nightly_3.10_tpuvm`

要使用上述 Docker 镜像，请务必添加 --privileged --net host --shm-size=16G 参数。以下是一个示例：

docker run --privileged --net host --shm-size=16G -it us-central1-docker.pkg.dev/tpu-pytorch-releases/docker/xla:nightly_3.10_tpuvm /bin/bash

故障排除

如果 PyTorch/XLA 的性能未达到预期，请参阅故障排除指南，其中提供了调试和优化您的网络的建议。

提供反馈

PyTorch/XLA 团队始终乐于听取用户和开源社区贡献者的意见！与我们联系的最佳方式是在此 GitHub 仓库中提交一个问题。问题、错误报告、功能请求、构建问题等均欢迎！

贡献

请参阅贡献指南。

免责声明

本仓库由 Google、Meta 以及 CONTRIBUTORS 文件中列出的多位个人贡献者共同运营和维护。如有关于 Meta 的问题，请发送邮件至 opensource@fb.com。如有关于 Google 的问题，请发送邮件至 pytorch-xla@googlegroups.com。对于其他所有问题，请在此仓库中提交一个问题。

PyTorch/XLA 快速上手指南

PyTorch/XLA 是一个 Python 包，它利用 XLA 深度学习编译器将 PyTorch 框架与 Google Cloud TPU 连接起来，使您能够在 TPU 上高效训练和部署模型。

1. 环境准备

硬件要求：需要访问 Google Cloud TPU VM 或通过 Kaggle 免费使用 TPU 资源。
系统要求：Linux x86_64 环境（TPU VM 默认环境）。
Python 版本：
- 稳定版支持：Python 3.8 - 3.11
- 夜间版（Nightly）支持：Python 3.11 - 3.13
前置依赖：建议先创建独立的虚拟环境（venv 或 conda）。

注意：自 2025 年 3 月起，C++11 ABI 构建已成为默认选项，不再提供旧版 ABI 轮子，以获得更好的懒张量追踪性能。

2. 安装步骤

方案 A：安装稳定版（推荐）

适用于生产环境或追求稳定性的开发。以下命令以 Python 3.11 为例：

# 创建并激活虚拟环境 (以 venv 为例)
python3.11 -m venv py311
source py311/bin/activate

# 安装 PyTorch 和 PyTorch/XLA (包含 TPU 插件)
pip install torch==2.8.0 'torch_xla[tpu]==2.8.0'

# (可选) 如果使用自定义内核 (custom kernels)，安装 pallas 依赖
pip install --pre torch_xla[pallas] --index-url https://us-python.pkg.dev/ml-oss-artifacts-published/jax/simple/ --find-links https://storage.googleapis.com/jax-releases/libtpu_releases.html

方案 B：安装夜间版 (Nightly)

适用于需要最新特性或修复的开发场景。以下命令以 Python 3.12 为例：

# 安装夜间版 PyTorch (CPU 基础包)
pip install --pre torch torchvision --index-url https://download.pytorch.org/whl/nightly/cpu

# 安装对应版本的 PyTorch/XLA TPU 轮子
# 注意：请根据实际 Python 版本调整 cp312-cp312 部分
pip install 'torch_xla[tpu] @ https://storage.googleapis.com/pytorch-xla-releases/wheels/tpuvm/torch_xla-2.9.0.dev-cp312-cp312-linux_x86_64.whl' \
  -f https://storage.googleapis.com/libtpu-wheels/index.html

3. 基本使用

PyTorch/XLA 提供了两种主要运行模式：单进程模式（控制单个 TPU）和 多进程模式（控制多个 TPU）。

模式一：单进程模式 (Single Process)

最简单的修改方式，只需在现有训练循环中引入 torch_xla 并将数据/模型移至 xla 设备。

import torch
import torch_xla

def train(model, training_data, optimizer, loss_fn):
    # 将模型参数移动到 XLA 设备
    model.to('xla')
    
    for inputs, labels in training_data:
        # 使用 step 上下文管理器
        with torch_xla.step():
            # 异步将数据转移到 XLA 设备
            inputs, labels = inputs.to('xla'), labels.to('xla')
            
            optimizer.zero_grad()
            outputs = model(inputs)
            loss = loss_fn(outputs, labels)
            loss.backward()
            optimizer.step()
    
    # 同步以确保所有计算完成
    torch_xla.sync()

if __name__ == '__main__':
    # 初始化模型和数据加载器...
    train(model, train_loader, optimizer, criterion)

模式二：多进程模式 (Multi Processing)

用于利用整个 TPU Pod 或多芯片系统进行分布式训练。需使用 torch_xla.launch 替代原生的 mp.spawn。

import torch
import torch.nn as nn
import torch_xla
import torch_xla.core.xla_model as xm
import torch.distributed as dist
from torch.nn.parallel import DistributedDataParallel as DDP

def _mp_fn(index):
    # 初始化分布式进程组，XLA 后端会自动推断 rank 和 world_size
    dist.init_process_group("xla", init_method='xla://')
    
    # 创建模型并移至 xla 设备
    model = MyModel().to('xla')
    # 包装为 DDP
    ddp_model = DDP(model, gradient_as_bucket_view=True)
    
    optimizer = torch.optim.SGD(ddp_model.parameters(), lr=0.01)
    loss_fn = nn.MSELoss()

    for inputs, labels in train_loader:
        with torch_xla.step():
            inputs, labels = inputs.to('xla'), labels.to('xla')
            
            optimizer.zero_grad()
            outputs = ddp_model(inputs)
            loss = loss_fn(outputs, labels)
            loss.backward()
            # 使用 xm.optimizer_step 跨副本合并梯度
            xm.optimizer_step(optimizer)

if __name__ == '__main__':
    # torch_xla.launch 会自动选择正确的进程数量
    torch_xla.launch(_mp_fn, args=())

关键修改点总结

导入库：引入 torch_xla 和 torch_xla.core.xla_model。
设备迁移：将模型和数据 .to('xla') 而不是 .to('cuda')。
执行步：在训练循环内部使用 with torch_xla.step():。
优化器步进：多进程下使用 xm.optimizer_step(optimizer)。
启动方式：多进程下使用 torch_xla.launch 启动主函数。

版本历史

v2.9.02025/11/17

v2.8.02025/08/13

v2.7.02025/04/24

v2.6.02025/01/30

v2.5.12024/10/30

v2.5.02024/10/18

v2.4.02024/07/25

v2.3.02024/04/08

v2.2.02024/01/31

v2.1.02023/09/07

v2.0.02023/08/12

v1.13.02022/11/29

v1.12.02022/06/29

v1.5.02020/04/21

v1.6.02020/08/19

v1.8.02021/03/04

v1.10.02021/10/25

v1.11.02022/03/15

v1.9.02021/06/15

v1.8.12021/04/21

常见问题

如何在 PyTorch XLA (TPU) 上解决 pack_padded_sequence 导致的 NaN 损失或兼容性问题？

在 Kaggle TPU 上使用 PyTorch XLA 训练大模型（如 XLM-R）遇到 OOM（内存溢出）错误怎么办？

如何在 PyTorch XLA 中正确保存模型检查点以避免文件存在错误（FileExistsError）？

在 TPU 上训练 DLRM 模型时在特定步数（如 20k 步）发生段错误（segfault）如何解决？

如何将原本为 GPU 设计的 PyTorch 代码（特别是使用 AMP 自动混合精度）迁移到 TPU (PyTorch XLA)？

为什么我的模型在 TPU 上训练时损失变为 NaN 或在验证时表现异常，而在 GPU 上正常？

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|今天

开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 139k|★★☆☆☆|今天

开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 107.7k|★★☆☆☆|2天前

开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。

★ 87.6k|★★☆☆☆|今天

开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。

★ 85k|★★☆☆☆|今天

图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。

★ 77.1k|★★★☆☆|昨天

Agent图像开发框架

使用场景

没有 xla 时

使用 xla 后

运行环境要求

快速开始

PyTorch/XLA

安装

TPU

C++11 ABI 构建

Github 文档地图

入门

简单的单进程模式

多进程

PyTorch/XLA 教程

参考实现

可用的 Docker 镜像和轮子包

Python 包

使用每日构建

Docker

故障排除

提供反馈

贡献

免责声明

更多阅读材料

相关项目

PyTorch/XLA 快速上手指南

1. 环境准备

2. 安装步骤

方案 A：安装稳定版（推荐）

方案 B：安装夜间版 (Nightly)

3. 基本使用

模式一：单进程模式 (Single Process)

模式二：多进程模式 (Multi Processing)

关键修改点总结

版本历史

常见问题

相似工具推荐

stable-diffusion-webui

everything-claude-code

ComfyUI

NextChat

ML-For-Beginners

ragflow