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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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