JAX v0.11.0
JAX v0.11.0 发布，新增实验性 hijax API 用于自定义导数规则，提供 linearize_from_jvp、vjp_fwd_from_jvp 等辅助函数；新增 jax.custom_remat 顶层 API 和 jax.Inline 枚举；jax.checkpoint_policies 成为子模块并新增基于名称的策略类。移除已弃用的 jax.cloud_tpu_init 模块，放弃对 Python 3.11、NumPy 2.0、SciPy 1.14 及 Python 3.13 free-threaded 的支持。
发展脉络
- 首次出现JAX v0.11.0JAX
- 当前判断JAX 作为深度学习框架，其更新反映了对自动微分和性能优化的持续投入。放弃对旧版本 Python 和 NumPy 的支持，可能推动用户升级环境，影响依赖 JAX 的库和工具链。新增的 API 可能吸引更多开发者使用 JAX 进行自定义导数和高性能计算。Agent Pulse · 分析
JAX v0.11.0 发布，主要新增功能包括：实验性 hijax API 用于自定义导数规则，提供从 jvp 或 lin 规则推导 VJP 和自定义导数规则的辅助函数；新增 jax.custom_remat 顶层 API，用于控制重物化；jax.checkpoint_policies 成为子模块，并新增基于名称的策略类；新增 jax.Inline 枚举用于指定内联策略。破坏性变更包括移除已弃用的 jax.cloud_tpu_init 模块，以及放弃对 Python 3.11、NumPy 2.0、SciPy 1.14 和 Python 3.13 free-threaded 的支持。
hijax API 允许开发者从 jvp 或 lin 规则推导 VJP 和自定义导数规则，可能简化自定义自动微分的实现。jax.custom_remat 提供更细粒度的重物化控制，可能影响内存和计算权衡。jax.checkpoint_policies 子模块化并新增基于名称的策略，可能使检查点策略更灵活。这些变化可能对 JAX 生态的自动微分和性能优化产生深远影响。
JAX 作为深度学习框架，其更新反映了对自动微分和性能优化的持续投入。放弃对旧版本 Python 和 NumPy 的支持，可能推动用户升级环境，影响依赖 JAX 的库和工具链。新增的 API 可能吸引更多开发者使用 JAX 进行自定义导数和高性能计算。
JAX 的更新可能提升其作为深度学习框架的竞争力，吸引更多研究机构和公司采用。对于依赖 JAX 的 AI 产品，新 API 可能带来性能优化和开发效率提升，但需注意环境升级成本。
未来可关注 JAX 社区对 hijax API 的采用情况，以及 jax.custom_remat 和检查点策略在实际模型训练中的效果。同时，观察对旧版本支持放弃后用户迁移的反馈。