2026 年 4 月 7 日至 8 日举办的首届 PyTorch 欧洲大会在巴黎汇聚了 600 多名研究人员、开发者、从业者和学者，共同参加了为期两天的会议，内容涵盖主题演讲、技术深度解析、闪电演讲、海报展示和社区交流。从裸机基础设施到智能体（Agentic）AI，会议探讨了整个 AI 技术栈，并明确了一点：开源 AI 生态系统的发展速度正前所未有地加快。
所有会议录像将于下周发布在我们的 YouTube 频道上。以下是本次大会的精彩内容回顾。
重大公告
在 PyTorchCon EU 期间，PyTorch 基金会宣布除 PyTorch、vLLM、DeepSpeed 和 Ray 之外，又有新项目加入其社区。Helion 和 Safetensors 现已作为基金会托管项目加入。ExecuTorch 也正式成为 PyTorch Core 的一部分。
- Helion 由 Meta 贡献，是一种嵌入 Python 的领域特定语言（DSL），能够以极少的样板代码轻松编写快速、可扩展的机器学习内核。通过将内核创作作为 PyTorch 的原生部分，Helion 加强了自定义内核的创建，并通过自动调优减少了手动编码的工作量。 阅读更多。
- Safetensors 由 Hugging Face 贡献，是一种安全模型文件格式，可防止任意代码执行，并增强多 GPU 和多节点部署的性能。它已成为模型分发中使用最广泛的元数据格式之一。 阅读更多。
ExecuTorch 正式成为 PyTorch Core 的一部分。ExecuTorch 最初由 Meta 开发，旨在简化 PyTorch 模型在边缘设备和端侧环境（包括手机、AR/VR 头显和微控制器）上的运行。它的设计围绕四个核心原则：端到端开发者体验、跨硬件可移植性、轻量模块化效率以及默认开放。 阅读更多。
这些新增内容巩固了基金会作为开源 AI 技术栈中立中心的角色，涵盖了从训练到推理的全生命周期。
第 1 天：4 月 7 日，周二
开幕主题演讲
上午，主舞台上的一系列主题演讲为整个活动定下了基调。
Mark Collier（PyTorch 基金会执行董事兼 Linux 基金会 AI 与基础设施总经理）以“共同进化：开源智能栈如何复合增长”为题拉开了序幕。他传达的信息很明确：PyTorch 生态系统的力量并非来自任何单一项目，而是源于其众多组件如何相互促进和构建。随着基金会不断扩大项目组合，这种复合效应正变得越来越强。
Edward Yang（Meta 研究工程师）随后发表了“PyTorch 更新”主题演讲，向社区展示了核心框架的最新发展。
Joe Spisak（Reflection AI 产品副总裁兼开源负责人）接着登台，演讲主题为“社区主导的开源强化学习”，重点介绍了强化学习社区如何通过开放式协作突破界限。
Ramine Roane（AMD AI 产品管理与生态系统开发企业副总裁）发表了题为“从单节点到分布式训练与推理：PyTorch 生态系统如何改变 AI”的演讲，回顾了从单节点实验到全球规模部署的历程。
Patrick von Platen（Mistral AI 研究工程师）发表了“流式一切：从请求输入转向流式输入”，展望了 AI 系统如何处理连续数据流，而非离散请求的前瞻性愿景。
Maryam Tahhan（Red Hat 首席工程师）和 Nicolo Lucchesi（Red Hat 高级机器学习工程师）发表了题为“Any [Agent | Model | Accelerator | Cloud]：开源 AI 释放世界潜能”的演讲，论证了开源是通往真正灵活、可移植 AI 的途径。
上午的主题演讲环节以 Besmira Nushi（NVIDIA AI 研究高级经理）的“（智能体）评估的不可承受之轻”结束，该演讲引发了对评估智能体 AI 系统挑战的深思。
开发者见面会
大会的一大亮点是“开发者见面会”，与会者可以与项目幕后的开发者面对面交流。第 1 天的 PyTorch 模块维护者见面会 邀请到了 Driss Guessous、Mergen Nachin、Natalia Gimelshein、Jason Ansel、Edward Yang 和 Alban Desmaison。下午，专属的 Helion 开发者见面会 汇集了 Jason Ansel、Oguz Ulgen、Will Feng 和 Markus Hoehnerbach。
框架与编译器
这是大会内容最密集的专题之一，突出的议题包括：
- Helion 1.0：用于性能可移植内核的高级 DSL，演讲者：Oguz Ulgen（Meta），介绍了作为 PyTorch 内核创作一流工具的新贡献项目 Helion。
- PyTorch 中的参数化 CUDA 图启动：轻松实现 CUDA 图，演讲者：Daniel Galvez（NVIDIA），解决了最棘手的性能优化挑战之一。
- FlexAttention + FlashAttention-4：快速且灵活，演讲者：Driss Guessous（Meta），展示了下一代注意力机制。
- 组合内核：Torch.compile 中的水平融合优化，演讲者：Karthick Panner Selvam 和 Elias Ellison（Meta）。
- 使用 Torch.compile 进行模型变更转换，演讲者：Thomas Viehmann（Lightning AI）。
- Brevitas 量化库，演讲者：Pablo Monteagudo Lago（AMD）。
推理与生产
推理专题反映了社区对高效模型生产部署日益增长的关注。
- 力作：大语言模型推理优化——从简单到复杂，演讲者：Christin Pohl（Microsoft），在主舞台上进行了全面剖析。
- 微控制器上的 ExecuTorch：将 PyTorch 部署到最小的边缘设备，演讲者：RJ Ascani 和 Matthias Cremon（Meta），突破了 PyTorch 的运行极限。
- 通过 PyTorch Transformers 实现“编写一次，到处运行”，演讲者：Pedro Cuenca（Hugging Face）。
- 为什么 WideEP 推理需要数据并行感知调度，演讲者：Maroon Ayoub（IBM）和 Tyler Michael Smith（Red Hat）。
- Token 切片：通过分块解码实现抢占式调度，演讲者：Maroon Ayoub（IBM）和 Kellen Swain（Google）。
- 跨区域模型服务：PyTorch 推理、可观测性与 LLMOps，演讲者：Suraj Muraleedharan（Amazon Web Services）。
- 利用 ExecuTorch 和 Arm SME2 加速设备端 ML 推理，演讲者：Jason Zhu（Arm）。
生成式 AI 与多模态
- 灯光、相机、推理！利用 VLLM-Omni 实现视频生成即服务，演讲者：Ricardo Noriega 和 Doug Smith（Red Hat）。
- 开放且可扩展的大语言模型评估的科学与实践，演讲者：Grzegorz Chlebus（NVIDIA）。
- torch.compile 与 Diffusers：巅峰性能实践指南，演讲者：Sayak Paul（Hugging Face）。
训练系统
- 为多模态模型推理路由训练弹性嵌入模型，演讲者：Huamin Chen（Red Hat）和 Haichen Zhang（AMD）。
- TorchJD：PyTorch 中的雅可比下降法，演讲者：Pierre Quinton（EPFL）和 Valerian Rey（Simplex Lab）。
- 将 Google 的 Colossus 引入 PyTorch：通过 fsspec 实现快速存储以保持 GPU 高效运转，演讲者：Ankita Luthra 和 Trinadh Kotturu（Google）。
- Jigsaw：用于高分辨率输入训练的领域和张量并行，演讲者：Deifilia Kieckhefen（Karlsruhe Institute of Technology）。
应用与案例研究
- 野外深度学习：用于现实世界生物声学保护的嵌入式 PyTorch，演讲者：Taraqur Rahman 和 Owen O’Donnell（OWL Integrations）。
- DeepInverse 如何利用 PyTorch 解决科学与医疗影像问题，演讲者：Andrew Wang（DeepInverse）和 Minh Hai Nguyen（Universite de Toulouse）。
- 使用 ExecuTorch 在 MCU 级设备上灵活部署 PyTorch 模型，演讲者：Robert Kalmar 和 Martin Pavella（NXP）。
负责任的 AI、安全与隐私
- 为欧盟 AI 法案设计：PyTorch 应原生暴露什么？ – 由 Roy Saurabh（AffectLog）主持的专题讨论会，探讨监管与框架设计之间的交集。
- 从预训练到个性化：AI PC 上的隐私优先微调，演讲者：Daniel Holanda Noronha 和 Iswarya Alex（AMD）。
- PyTorch 系统中的伦理、隐私与可持续性考量，演讲者：Paula Mesa Macias（Pau&Company）。
- 为什么传统 IAM 对智能体无效：重新思考智能体系统的 IAM，演讲者：Parul Singh（Red Hat）。
社区活动
第 1 天还举办了“PyTorch 领域女性及非二元性别者午餐会”和晚上的“Flare 派对”，活动现场美食美酒、氛围热烈。两天的会议期间，所有专题都有海报展示，让研究人员和工程师有机会分享正在进行的工作并进行一对一的技术交流。海报专题涵盖应用与案例研究、框架与编译器、生成式 AI 与多模态、推理与生产，以及负责任的 AI 与合规性。
第 2 天：4 月 8 日，周三
上午主题演讲
第 2 天在主舞台上又迎来了一系列精彩的主题演讲。
Matt White（PyTorch 首席技术官兼 Linux 基金会 AI 全球 CTO）为当天活动致辞。
Tyler Michael Smith（Red Hat 推理工程首席架构师）和 Artur Niederfahrenhorst（Anyscale 技术人员）共同发表了关于 vLLM 和 Ray 更新 的联合演讲，这两个项目已成为生产级 AI 基础设施的基石。
Lysandre Debut（Hugging Face 首席开源官）发表了“作为基础设施的 Hub：从开放 PyTorch 模型到安全、高性能的分发枢纽”，强调了 Hugging Face Hub 如何从模型存储库演变为关键的 AI 基础设施。
Jonathan Bryce（云原生计算基金会 CNCF 执行董事）发表了题为“AI 原生时代的开源基础设施”的主题演讲，关联了云原生与 AI 原生开发之间的联系。
Leonard Hussenot（Google DeepMind 研究科学家）以“Gemma 4：为边缘压缩智能”结束了主题演讲环节，介绍了 Google DeepMind 如何使强大的模型变得足够小，从而能够在边缘设备上运行。
框架与编译器（第 2 天）
- Monarch：通向超级计算机的 API，演讲者：Marius Eriksen（Meta）。
- 2026 年如何编写 C++ 扩展，演讲者：Jane Xu 和 Mikayla Gawarecki（Meta）。
- 实现 SOTA GEMM 性能：用于 PyTorch Inductor 的 CuTeDSL 后端，演讲者：Nikhil Patel（Meta）。
- 利用 Torch.compile 的 C++ 包装模式加速 PyTorch 模型，演讲者：Bin Bao（Meta）。
- 将 PyTorch Monarch 引入 AMD GPU：ROCm 上的单控制器分布式训练，演讲者：Liz Li 和 Zachary Streeter（AMD）。
- RISC-V 上的 PyTorch：从交叉编译到原生 CI，演讲者：Ludovic Henry（Meta）。
- PyTorch 对称内存 + NCCL 设备 API：迈向多 GPU 内核的新途径，演讲者：Ke Wen 和 Sylvain Jeaugey（NVIDIA）。
- 无缝集成：Torch.compile 堆栈中的自定义内核（无图中断），演讲者：Kshiteej Kalambarkar、Masaki Kozuki 和 Pawel Gadzinski（NVIDIA）。
- 通过子图融合和自定义算子自动调优，实现超越 SOTA 内核的 Torch.compile 性能，演讲者：Elias Ellison 和 Paul Zhang（Meta）。
- ASIC 的 PyTorch 揭秘：何时（以及为何）将开发转移到 AI 加速器上，演讲者：Alpha Romer Coma（Kollab Philippines）。
推理与生产（第 2 天）
- KV 缓存中心化推理：使用 Llm-d 和 VLLM 构建状态感知服务平台，演讲者：Martin Hickey 和 Maroon Ayoub（IBM Research）。
- 在 NVIDIA Blackwell 上优化大型 MoE 推理：NVFP4、ADP 和 DualPipe 策略，演讲者：Julien Demouth（NVIDIA）。
- 可移植的高性能 LLM 服务：用于 VLLM 的 Triton 后端，演讲者：Burkhard Ringlein 和 Jan van Lunteren（IBM）。
- 使用 Transformers.js 将 PyTorch 模型部署到浏览器及更多平台，演讲者：Joshua Lochner（Hugging Face）。
- VLLM 的 KV 卸载连接器内幕：异步内存传输以提高推理吞吐量，演讲者：Nicolo Lucchesi（Red Hat）。
- 优化 PyTorch 中的 CPU LLM 推理：来自 VLLM 的经验，演讲者：Crefeda Rodrigues 和 Fadi Arafeh（Arm）。
- 从 Hugging Face 到手持设备：使用 LiteRT 生成式 API 扩展 LLM 部署，演讲者：Cormac Brick 和 Weiyi Wang（Google）。
- 全栈 PyTorch 机器人 VLA：通过 ExecuTorch/OpenVINO 实现从数据到边缘，演讲者：Samet Akcay 和 Dmitriy Pastushenkov（Intel）。
- 超越理论：当你扩展解耦 PyTorch 模型时，什么会真正崩溃，演讲者：Ekin Karabulut 和 Ron Kahn（NVIDIA）。
- 通过预分发 GPU 缓存缩短 LLM 冷启动时间，演讲者：Billy McFall 和 Maryam Tahhan（Red Hat）。
训练系统（第 2 天）
- 从 Hopper 到 Blackwell 的 FP8 训练，演讲者：Luca Wehrstedt（Meta）。
- PyTorch 中的无反向传播优化，演讲者：Andrii Krutsylo（波兰科学院）。
- 调试不可调试之物：介绍 Torch.distributed.debug，演讲者：Tristan Rice（Meta）。
- 将推荐系统扩展到 2000 个 GPU 及以上，演讲者：Zain Huda（Meta）。
- 从响应到轨迹：多轮及多环境强化学习，演讲者：Kashif Rasul 和 Sergio Paniego Blanco（Hugging Face）。
- Trinity Large：在 2000+ B300 上的 Torchtitan，演讲者：Matej Sirovatka（Prime Intellect）。
- 从零开始实现 DualPipe：在 PyTorch 中实现 DeepSeek 的 5D 并行，演讲者：Dev Jadhav（ING Bank）。
- 容错训练：我们如何为分布式 AI 工作负载构建可靠集群，演讲者：Cyril Konkratenko 和 Maurits de Groot（Nebius）。
- 为什么日志记录还不够：在实践中使 PyTorch 训练回归可视化，演讲者：Sahana Venkatesh（Wayve）。
智能体与互操作
- 超越 JSON-RPC：在 PyTorch 生态系统中使用 gRPC 扩展模型上下文协议，演讲者：Ashesh Vidyut 和 Madhav Bissa（Google）。
- 用于编译器构建的编码智能体：超越 AI 助手范式，演讲者：Reza Rahimi 和 Stefan Krassin（yasp.ai）。
- 利用 Hugging Face Kernels Hub 上的代码平台架起硬件鸿沟，演讲者：Ben Burtenshaw（Hugging Face）。
安全与隐私
- 将 PyTorch GPU 节点从 Azure 实时迁移到欧洲云平台，演讲者：Mike Krom（Acf Cyber Solutions）。
- 利用 PyTorch 保护智能体 AI：实践中的威胁建模与 LLM 红队测试，演讲者：Valeri Milke（VamiSec GmbH）。
负责任的 AI 与合规性
- 从梯度到治理：使 PyTorch 具备血缘感知能力，演讲者：Kateryna Romashko 和 Clodagh Walsh（Red Hat）。
- 为用户和监管者建立信任：经济高效的 PyTorch 合规即代码路径，演讲者：Raja Gopal Hari Vijay（Zoho Corporation）。
- 弥合差距：使用 PyTorch 设计合规的“玻璃盒”医疗 AI，演讲者：Muhammad Saqib Hussain 和 Mohaddisa Maryam（Neurosonic）。
应用与案例研究（第 2 天）
- 足球视频中的球轨迹检测：VLM 与传统流水线的对比，演讲者：Maciej Szymkowski（Future Processing）。
专题讨论与维护者见面会
第 2 天举办了两场引人入胜的专题讨论会：由 IBM Research 的 Maroon Ayoub；阿里云的 Hang Yin 和 Xi Ning Wang；IBM 的 Nili Guy；以及 Moreh 的 Hyunkyun Moon 带来的解耦 Token 化：构建 Tokens-In-Tokens-Out 的 LLM 推理，以及由 NVIDIA 的 Jeff Hammond、Gabrielle Talavera、Ke Wen 和 Asma Farjallah 带来的野外 NCCL：将通信扩展到数千个 GPU。
与会者还有机会参加 vLLM 维护者见面会（Tyler Michael Smith 和 Nicolo Lucchesi）和 Ray 维护者见面会（Artur Niederfahrenhorst）。
社区博览会与社交
社区博览会在两天内全程开放，与会者有机会探索演示、与项目维护者互动并发现生态系统中的新工具。赞助商活动包括“在 CPU 上验证 AI：vLLM 3 阶段评估框架”和“龙虾陷阱：容器中的 OpenClaw”等环节。
主要主题与收获
开源 AI 技术栈正在走向成熟。 随着 Helion 和 Safetensors 以托管项目身份加入，以及 ExecuTorch 成为 PyTorch Core 的一部分，PyTorch 生态系统覆盖了更广泛的 AI 生命周期。从安全模型分发到边缘部署，再到高性能内核创作，这些项目填补了关键空白。
推理是新的前沿领域。 大量会议专注于生产部署，从 vLLM 和 LLM 服务优化，到微控制器上的 ExecuTorch 和浏览器内的 Transformers.js 推理。社区显然正在超越训练阶段，致力于让模型在现实世界中发挥作用。
智能体 AI 需要新的基础设施。 多场会议探讨了智能体系统的独特挑战，包括重新思考身份与访问管理（IAM）、通过评估建立信任以及保护智能体流水线。这是一个值得密切关注的领域。
欧洲正在崛起。 从欧盟 AI 法案合规会议到关于数据主权和云迁移的讨论，本次大会反映了欧洲在塑造负责任的 AI 开发方面日益增长的作用。首届欧洲大会是全球社区的一个里程碑。
硬件多样性正在扩大。 会议涵盖了 AMD ROCm、Arm SME2、Google TPU、NVIDIA Blackwell、RISC-V、微控制器、Qualcomm QNN、Intel OpenVINO 等。PyTorch 的硬件可移植性叙事从未如此强大。
谢谢你，巴黎
2026 年 PyTorch 欧洲大会是社区的一个标志性事件。感谢每一位在巴黎加入我们的赞助商、演讲者、海报展示者和与会者。这里的活力、技术深度和开放协作精神确实非常卓越。向 PyTorchCon Europe 的联合主席 Alban Desmaison、Lysandre Debut 和 Luca Antiga 以及整个项目委员会致敬，感谢你们成功举办了这次活动！
所有会议录像都将在 PyTorch YouTube 频道上提供。在 Flickr 上浏览活动的完整照片相册。
我们下一届 PyTorch 大会见，包括 PyTorch 中国大会（9 月 8-9 日，中国上海）和 PyTorch 北美大会（10 月 20-21 日，加州圣何塞）。