viable/strict/1788112218: [MPS] Add special_laguerre_polynomial_l (#195225)
PyTorch 的 MPS 后端新增了 special.laguerre_polynomial_l 的原生 Metal 内核实现，此前该算子仅有 CPU、CUDA 和 XPU 实现，并在 MPS 的 xfail 列表中标记为未实现。该算子是一个二元 TensorIterator 操作，通过 structured_binary_fn 分发，三项递推关系从 CPU 参考实现移植，以 float 精度计算，与已有的 hermite_polynomial_* Metal 辅助函数一致。测试计划包括从 UNIMPLEMENTED_XFAILLIST 中移除该条目。
Development
- First Reportviable/strict/1788112218: [MPS] Add special_laguerre_polynomial_l (#195225)PyTorch Core
- Current AssessmentPyTorch 持续完善 MPS 后端，表明 Apple silicon 在机器学习工作负载中的重要性日益增加。补齐特殊函数支持有助于在 Mac 上运行更广泛的模型，但相比 CUDA 生态仍有差距。Agent Pulse · analysis
PyTorch 的 MPS 后端新增了 special.laguerre_polynomial_l 的原生 Metal 内核实现，此前该算子仅有 CPU、CUDA 和 XPU 实现，并在 MPS 的 xfail 列表中标记为未实现。该算子是一个二元 TensorIterator 操作，通过 structured_binary_fn 分发，三项递推关系从 CPU 参考实现移植，以 float 精度计算，与已有的 hermite_polynomial_* Metal 辅助函数一致。测试计划包括从 UNIMPLEMENTED_XFAILLIST 中移除该条目。
该实现遵循了 MPS 后端已有的特殊函数模式，即使用二元 TensorIterator 和 structured_binary_fn 分发，并采用 float 精度计算，与 hermite 多项式等保持一致。这暗示 MPS 后端正在逐步补齐特殊函数的覆盖，但精度和性能可能受限于 float 计算。
PyTorch 持续完善 MPS 后端，表明 Apple silicon 在机器学习工作负载中的重要性日益增加。补齐特殊函数支持有助于在 Mac 上运行更广泛的模型，但相比 CUDA 生态仍有差距。
该改动提升了 PyTorch 在 Apple silicon 上的功能完整性，使依赖特殊函数的模型（如某些科学计算或概率模型）能在 Mac 上运行，降低了开发者的硬件门槛。
未来可能看到更多特殊函数在 MPS 上实现，以及针对 Metal 的优化。可关注后续 PR 是否引入更高精度或性能优化。