torch.compile
PyTorch 2.0引入的核心编译特性，基于TorchDynamo字节码捕获和TorchInductor代码生成后端，通过装饰器即可触发模型计算图的即时捕获与硬件优化代码生成，兼顾动态图灵活性与静态图执行效率
核心事实
时间轴 (近 90 天)
torch.compile 是 PyTorch 2.0 引入的即时编译（JIT）机制，工作流程分三步：TorchDynamo 在字节码层面抓取计算图，AOTAutograd 处理前向与反向图结构，最后交由后端编译器生成可执行代码。
IBM Spyre AI 加速器将其 torch.compile 后端从自研的 sendnn 编译栈切换为开源社区维护的 Inductor。
TorchInductor是PyTorch默认后端编译器，能将计算图降低为Triton GPU内核或C++/OpenMP CPU代码
PyTorch 2.0的torch.compile后端大量采用Triton生成的Kernel
TorchScript 和 torch.compile 用于模型编译与加速
torch.compile 的 fullgraph 模式会将整个模型计算图作为一个完整单元进行捕获和优化
在 fullgraph 模式下，依赖 Python 动态控制流或调用未做 FakeTensor 注册的外部 C++ 扩展的操作会导致 graph break，使编译失败
torch.compile 底层依赖 TorchDynamo 字节码拦截机制与 TorchInductor 代码生成后端
vLLM 的内部实现改变将使其与 fullgraph 模式下的 torch.compile 不再兼容
torch.compile 对动态形状（dynamic shapes）、图断裂（graph breaks）等场景的处理提出了更高要求
还有 18 条时间轴事件
全部知识事实 (20)
PyTorch 2.0引入的torch.compile功能通过图捕获和编译优化，在保持动态图易用性的同时提升了推理和训练速度
65%已验证torch.compile 在主流模型上平均带来 30%～2 倍的训练加速，仅需一行装饰器调用即可启用
65%待验证torch.compile是PyTorch 2.0引入的核心编译特性，基于TorchDynamo（字节码捕获）和TorchInductor（代码生成后端）构建
60%待验证torch.compile 是 PyTorch 2.0 引入的即时编译（JIT）机制，工作流程分三步：TorchDynamo 在字节码层面抓取计算图，AOTAutograd 处理前向与反向图结构，最后交由后端编译器生成可执行代码。
50%待验证IBM Spyre AI 加速器将其 torch.compile 后端从自研的 sendnn 编译栈切换为开源社区维护的 Inductor。
50%待验证TorchInductor是PyTorch默认后端编译器，能将计算图降低为Triton GPU内核或C++/OpenMP CPU代码
50%待验证PyTorch 2.0的torch.compile后端大量采用Triton生成的Kernel
50%待验证TorchScript 和 torch.compile 用于模型编译与加速
50%待验证torch.compile 的 fullgraph 模式会将整个模型计算图作为一个完整单元进行捕获和优化
50%待验证torch.compile 底层依赖 TorchDynamo 字节码拦截机制与 TorchInductor 代码生成后端
50%待验证在 fullgraph 模式下，依赖 Python 动态控制流或调用未做 FakeTensor 注册的外部 C++ 扩展的操作会导致 graph break，使编译失败
50%待验证vLLM 的内部实现改变将使其与 fullgraph 模式下的 torch.compile 不再兼容
50%待验证TorchInductor 是 torch.compile 的默认后端，在生成融合算子时大量依赖 Triton 作为代码生成的中间层
50%待验证torch.compile 对动态形状（dynamic shapes）、图断裂（graph breaks）等场景的处理提出了更高要求
50%待验证PyTorch的torch.compile、IREE以及众多AI芯片厂商的编译栈均构建于MLIR之上
50%待验证用户在模型前调用torch.compile(model)即可获得编译加速，在主流GPU上通常能带来10%–200%不等的推理或训练速度提升
50%待验证训练使用 batch 256、40 万步、EMA 0.9999、最后四分之一线性衰减学习率，torch.compile 相比 eager 提速 2.4×
50%待验证torch.compile 的设计目标之一是与 eager mode 保持语义兼容，开发者只需在模型外层加装饰器即可启用编译优化
50%待验证torch.compile只需在模型或函数前加一行装饰器即可生效，相比此前需要手动使用torch.jit.script或torch.jit.trace才能触发的编译优化，大幅降低了性能优化门槛
50%待验证在大模型训练场景中，torch.compile与FSDP（完全分片数据并行）的协同优化是社区最活跃的研究方向之一
50%