PyTorch 2.7 RC版本中torch.export和torch.compile的兼容性问题分析
在PyTorch 2.7 RC版本中,用户报告了两个重要的功能兼容性问题:torch.export和torch.compile在某些情况下无法正常工作,而这些情况在PyTorch 2.6版本中可以正常运行。本文将深入分析这些问题及其解决方案。
问题背景
PyTorch 2.7 RC版本引入了对torch.export和torch.compile功能的若干修改,导致了一些向后兼容性问题。具体表现为:
- 在使用torch.compile时,当代码访问transformers模型配置对象时,会抛出"Unexpected type in sourceless builder"异常
- 在使用torch.export时,默认的strict参数从False变为True,导致一些原本可以导出的模型现在会失败
技术细节分析
torch.compile问题
当使用torch.compile编译transformers模型时,特别是Gemma3Vision2TextModel这样的模型,系统会尝试访问模型配置对象中的属性。在PyTorch 2.7 RC中,Dynamo编译器无法正确处理这种配置对象的访问,导致以下错误:
torch._dynamo.exc.Unsupported: Unexpected type in sourceless builder transformers.models.gemma3.configuration_gemma3.Gemma3TextConfig
这个问题源于Dynamo编译器对Python对象属性访问的处理逻辑发生了变化。在2.6版本中,这种访问模式是被允许的,但在2.7 RC中则被视为不支持的代码模式。
torch.export问题
torch.export功能在2.7 RC版本中默认将strict参数设置为True,这与2.6版本的行为不同。当strict=True时,导出过程会对模型有更严格的检查,导致一些在2.6中可以导出的模型现在会失败。
例如,在尝试导出DPT混合模型时,会出现类似的类型不匹配错误:
torch._dynamo.exc.Unsupported: Unexpected type in sourceless builder transformers.models.bit.configuration_bit.BitConfig
解决方案
针对这两个问题,目前有以下解决方案:
-
torch.compile问题:PyTorch团队已经提交了修复补丁,但可能无法及时包含在2.7正式版中。用户可以考虑暂时回退到2.6版本,或者等待补丁发布后升级。
-
torch.export问题:用户可以通过显式设置strict=False来解决兼容性问题:
torch.export.export(model, args, strict=False)或者直接移除strict参数(因为False现在是默认值)
最佳实践建议
对于正在使用PyTorch 2.7 RC版本的用户,建议:
- 在升级前全面测试模型编译和导出功能
- 对于关键生产环境,考虑暂时停留在2.6版本
- 关注PyTorch官方发布说明,了解这些问题的最终解决方案
- 在代码中添加适当的版本检查逻辑,处理不同版本的行为差异
总结
PyTorch 2.7 RC版本在torch.export和torch.compile功能上引入了一些破坏性变化,主要影响transformers等大型模型框架的使用。虽然这些问题在大多数情况下都有解决方案,但用户需要了解这些变化并相应调整代码。PyTorch团队正在积极解决这些问题,预计在未来的更新中会提供更完善的兼容性支持。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00