JAX v0.6.0 版本更新解析:性能优化与API演进
JAX 是一个由 Google 开发的高性能数值计算库,它结合了 NumPy 的易用性与自动微分、硬件加速等高级功能。JAX 通过 XLA 编译器优化计算图,并支持在 GPU 和 TPU 上运行,特别适合机器学习和大规模科学计算场景。
重大变更与向后兼容性调整
本次 JAX v0.6.0 版本带来了多项重要变更,开发者需要特别注意这些变化对现有代码的影响:
-
数据类型处理更严格:
jax.numpy.array不再接受None值输入,这项变更自 2023 年 11 月起已被标记为废弃,现在正式移除。 -
配置选项精简:
- 移除了临时性的
config.jax_data_dependent_tracing_fallback配置选项 - 移除了
config.jax_eager_pmap配置选项
- 移除了临时性的
-
编译流程优化:对
lower和traceAOT API 的调用现在有更严格的限制,如果对jax.jit结果应用了后续包装器,将不再允许调用这些 API。开发者应确保jax.jit是最后应用的包装器。 -
CUDA 支持升级:JAX 现在默认使用 CUDA 12.8 构建,同时保持对 CUDA 12.1 及以上版本的支持。值得注意的是,最低 CuDNN 版本要求提升至 v9.8。
API 演进与现代化改进
JAX 团队持续推动 API 的现代化和一致性:
-
包管理规范调整:遵循 PEP 685 标准,包 extras 中的下划线改为连字符,例如
cuda12_local变为cuda12-local。 -
函数参数规范:
jax.jit现在要求函数参数必须按位置传递,额外参数必须使用关键字参数。这一变更将在 v0.7.X 中成为强制要求。 -
树操作简化:废弃了
jax.tree_util.build_tree,推荐使用更直观的jax.tree.unflatten替代。
废弃与移除的功能
本次版本清理了大量已废弃或内部使用的 API:
-
XLA 扩展接口:所有
jax.lib.xla_extension中的 API 都被标记为废弃,开发者应逐步迁移到新接口。 -
MLIR 相关接口:意外导出的
jax.interpreters.mlir.hlo和jax.interpreters.mlir.func_dialect已被移除,需要时可从jax.extend.mlir获取。 -
数据馈送接口:
jax.lax.infeed和jax.lax.outfeed系列接口被标记为废弃,将在 v0.7.0 中移除。 -
DLPack 接口调整:
jax.dlpack.to_dlpack被废弃,推荐直接使用数组的__dlpack__属性。
性能与底层优化
-
主机回调改进:使用 XLA 的 FFI 重新实现了 CPU 和 GPU 设备的回调处理程序,取代了原有的自定义调用实现,提高了稳定性和性能。
-
内部工具清理:移除了多个内部使用的工具函数,如
jax.util中的HashableFunction、safe_map等,简化了代码库。
开发者迁移建议
对于使用 JAX 进行开发的团队,建议采取以下措施:
-
检查废弃 API 使用:使用代码审计工具查找项目中使用了已废弃 API 的位置,特别是
infeed/outfeed和数据序列化相关代码。 -
更新构建配置:确保 CI/CD 流水线中的 CUDA 和 CuDNN 版本满足新要求,并更新包安装命令中的 extras 名称。
-
规范参数传递:检查所有
jax.jit调用点,确保函数参数按位置传递,配置参数按关键字传递。 -
测试回调逻辑:如果项目中使用主机回调,建议进行全面测试以确保新实现的回调处理程序与原有逻辑兼容。
JAX v0.6.0 的这些变更为未来的性能优化和功能扩展奠定了基础,虽然短期内可能需要一些迁移工作,但从长期来看将提高代码的稳定性和可维护性。
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
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