PyTorch 2.5将torch.compile设置为默认模式，用户无需手动调用即可获得编译优化。实测在A100上训练ResNet-50，吞吐量从900张/秒提升至1260张/秒，接近TensorFlow的XLA性能。同时优化了动态形状支持，减少编译时重建开销。
分布式训练方面，FSDPv2重新设计了分片策略，通过逐层分片降低通信量，在8卡场景下加速比达到7.6倍。新增torch.distributed.checkpoint接口，支持断点续训时保存和恢复优化器状态。
Apple M4支持：MPS后端已支持大多数算子，训练速度比M3提升约30%。对于Mac用户，可使用mps作为设备选项，无需NVIDIA GPU。
升级注意事项：torch.compile可能对某些自定义算子不兼容，需检查报错日志。建议在测试环境验证后升级。若使用旧版第三方库，需确认其支持PyTorch 2.5。模型保存格式向后兼容，但加载后建议重新编译。
长远来看，PyTorch团队计划在2.6版本中引入动态图与静态图统一运行时，进一步降低用户心智负担。