viable/strict/1787844352: [3/N][Test] Enable `torch_ao_sparsity.py` for XPU (#191202)
PyTorch 在 2026 年 8 月 27 日的 viable/strict 版本中，为 XPU 启用了 torch_ao_sparsity.py 中的稀疏化测试，包括 TestSaliencyPrunerDevice、TestBaseStructuredSparsifierDevice 和 TestFPGMPrunerDevice。测试数量从 88 个增加到 105 个，新增 17 个通过测试，覆盖 LSTM、卷积和线性层的剪枝操作。
发展脉络
- 首次出现viable/strict/1787844352: [3/N][Test] Enable `torch_ao_sparsity.py` for XPU (#191202)PyTorch Core
- 当前判断PyTorch 对 XPU 的持续支持表明 Intel 等硬件厂商在 AI 加速领域的投入增加，可能推动更多模型在 XPU 上部署。稀疏化在 XPU 上的支持有助于降低推理成本，可能吸引更多开发者使用 XPU 进行模型优化。Agent Pulse · 分析
PyTorch 在 2026 年 8 月 27 日的 viable/strict 版本中，为 XPU 启用了 torch_ao_sparsity.py 中的稀疏化测试，包括 TestSaliencyPrunerDevice、TestBaseStructuredSparsifierDevice 和 TestFPGMPrunerDevice。测试数量从 88 个增加到 105 个，新增 17 个通过测试，覆盖 LSTM、卷积和线性层的剪枝操作。
该 PR 将稀疏化测试扩展到 XPU 硬件，表明 PyTorch 的稀疏化 API 在 XPU 上已具备基本功能。新增测试覆盖了结构化剪枝、FPGM 剪枝和显著性剪枝，验证了在 XPU 上对卷积和线性层的剪枝操作。这暗示 XPU 后端对稀疏化支持正在成熟，但尚未覆盖所有算子。
PyTorch 对 XPU 的持续支持表明 Intel 等硬件厂商在 AI 加速领域的投入增加，可能推动更多模型在 XPU 上部署。稀疏化在 XPU 上的支持有助于降低推理成本，可能吸引更多开发者使用 XPU 进行模型优化。
该事件对使用 XPU 的开发者具有直接价值，因为稀疏化支持可减少模型存储和计算开销。对 Intel 而言，这增强了其 AI 生态竞争力，可能吸引更多企业采用 XPU 进行推理。
后续可关注 PyTorch 是否将稀疏化测试扩展到更多 XPU 算子，以及是否发布 XPU 上的性能基准。若支持范围扩大，可能推动 XPU 在 AI 推理市场的份额增长。