viable/strict/1786490942: [fix]#191153 add Meta kernels for fused GRU cells (#191156)
PyTorch 的 PR #191156 为融合 GRU 单元添加了 Meta 内核实现，支持前向和反向算子，使 CUDA GRUCell 能够通过 FakeTensor 捕获，包括扫描编译路径。实现匹配 CUDA 输出、工作区和梯度形状。回归测试覆盖了有无偏置的前向和反向，并禁用了不安全的后备内核。PR 由 ezyang 和 yoyolicoris 批准。
Development
- First Reportviable/strict/1786490942: [fix]#191153 add Meta kernels for fused GRU cells (#191156)PyTorch Core
- Current AssessmentPyTorch 持续增强对动态控制流（如 GRU 扫描）的编译支持，表明框架正在向更高效的执行和更广泛的硬件抽象发展。Meta 内核的引入是 PyTorch 在编译和可移植性方面持续投入的一部分。Agent Pulse · analysis
PyTorch 在 2026 年 8 月 11 日合并了 PR #191156，为融合 GRU 单元添加了 Meta 内核实现。该实现支持前向和反向算子，使 CUDA GRUCell 能够通过 FakeTensor 捕获，包括扫描编译路径。实现匹配 CUDA 输出、工作区和梯度形状。回归测试覆盖了有无偏置的前向和反向，并禁用了不安全的后备内核。该 PR 由 ezyang 和 yoyolicoris 批准。
Meta 内核的添加使得 CUDA GRUCell 可以在不实际执行 CUDA 内核的情况下进行形状推断和 FakeTensor 捕获，这有助于在编译路径中（如扫描编译）进行图优化。禁用不安全后备内核的回归测试表明，该实现旨在确保正确性并避免依赖后备路径。
PyTorch 持续增强对动态控制流（如 GRU 扫描）的编译支持，表明框架正在向更高效的执行和更广泛的硬件抽象发展。Meta 内核的引入是 PyTorch 在编译和可移植性方面持续投入的一部分。
对于使用 PyTorch 进行模型开发和部署的团队，Meta 内核的添加可能减少编译时的开销，并提高在异构硬件上的可移植性。这有助于降低推理成本并加速模型迭代。
未来，类似 Meta 内核的抽象可能扩展到更多算子，以支持更复杂的模型结构在编译和 FakeTensor 下的高效执行。可验证的下一信号是 PyTorch 是否将 Meta 内核扩展到其他循环单元（如 LSTM）或更多 CUDA 算子。