google-pytorch/torch_tpu

TorchTPU 是面向 Google TPU 的 PyTorch 后端。它不要求把模型改写到 XLA 专用前端，而是提供自定义 ATen kernel，让 PyTorch 的算子与模型能在 TPU 设备上执行；它还带有用于优化 XLA 执行的编译缓存，并可配合 torch.compile() 进行图模式执行。文档和示例主要面向模型与性能工程师，而非普通用户。

能获得什么

项目包含 TPU 上的 PyTorch ATen kernel 实现、数据并行与张量并行支持，以及覆盖 Llama、Qwen、ResNet、DLRM、minGPT 与 UNet 的示例。它还提供调试与基准测试工具。使用流程仍是普通 PyTorch 代码：定义并运行模型，再由后端和编译路径把计算放到 TPU 上。公开 API 与教程分开记录。

如何运行

交互式 Marimo notebook（类似 Jupyter 的格式）必须在 TPU VM 上运行，README 称 v6e GCE 实例最方便。静态版本发布在用户指南中，因此可以在没有 TPU 的情况下阅读教程，但无法在那里执行 notebook 代码。

Python 与安装。 pip 路径安装 PyPI 上的 0.2.0 版本，支持 Python 3.11+，与 PyTorch 的发布兼容矩阵一致。安装命令指定了 CPU 版 PyTorch 的 wheel 索引；若不指定，会拉取 CUDA 版 torch。

源码构建。 源码构建通过 Bazelisk 使用 Bazel。构建 wheel 必须带 --config=wheel_common，不带该参数会在构建阶段失败；用错误方式构建出的 wheel 在 import torch 时会因重复的静态注册而中止。wheel_common 会启用 Remote Build Execution，没有 RBE 凭据的开发者必须在其后追加 --config=no_rbe，因为后出现的配置会覆盖前者。优化构建是默认选项；未优化的 wheel 只用于 C++ 调试，且可能降低性能。C++ 代码导航使用 clangd 和生成的编译数据库；首次完整构建可能超过 30 分钟。

限制与范围

实际执行需要 TPU 设备或 TPU VM，文档未描述其他加速器路径。README 的依赖清单标注为 TBD，因此没有在那里列出完整的 Python 依赖集合。性能结论应结合基准测试工具及其使用的条件来理解，而不是当作通用的加速承诺。贡献需要签署 Contributor License Agreement。README 声明使用 Apache 2.0 许可，而仓库元数据没有报告可识别的许可证标识——在依赖任一方说法前应检查 LICENSE 文件。

HotRepo 点评

2026-10-20 的一则 Hacker News 讨论获得 380 分、93 条评论；2026-10-29 单次 C++ 周榜记录显示 +189。这些是带日期的关注度观测，并不能证明持续增长。

项目源码与说明