PyTorch 2.15のMPSバックエンド強化とは？FP8対応とMoEデコード高速化を一次情報で解説（2026年10月20日）

AI開発ツールアップデート料金改定PyTorchローカルLLM

PyTorch 2.15 の MPS バックエンド強化は、Apple Silicon（Mac）で FP8（torch.float8_e4m3fn）が使えるようになった更新です。MoE モデルのデコードが 5〜6.5 倍速くなり、動画 VAE デコードのメモリ使用量は 270 GiB から 8 GiB に減りました。必要要件と試し方を一次情報で解説します。

結論から言うと、PyTorch 2.15 の MPS バックエンド強化は、Apple Silicon（Mac）の GPU で FP8（torch.float8_e4m3fn）が使えるようになった更新です。MoE モデルのデコードが 5〜6.5 倍の処理速度になり、例として Qwen3.6-35B-A3B では 9.4 tokens/s から 61.3 tokens/s に変わりました（Hugging Face 公式ブログ、2026年10月20日）。必要要件は macOS 15 以降・Python 3.11 以降で、旧 macOS では OS のアップグレードが必要です。以下、公式ブログの記載だけで解説します。

FP8 対応で MoE モデルのデコードが速くなる

Apple Silicon（Mac）の MPS バックエンドで FP8（torch.float8_e4m3fn）が使えるようになり、MoE モデルのデコードが 5〜6.5 倍の処理速度になりました（Hugging Face 公式ブログ、2026年10月20日）。例として Qwen3.6-35B-A3B のデコードは 9.4 tokens/s から 61.3 tokens/s に変わっています。softmax は約 8 倍の処理速度です。

• 使える型は FP8 の torch.float8_e4m3fn です（Hugging Face 公式ブログ、2026年10月20日）。
• FP8 の演算は F.scaled_mm を使います（Hugging Face 公式ブログ、2026年10月20日）。
• MoE モデルでは F.grouped_mm を使います（Hugging Face 公式ブログ、2026年10月20日）。
• softmax も約 8 倍の処理速度になりました（Hugging Face 公式ブログ、2026年10月20日）。

線形代数・動画 VAE・ストリーム制御の強化

複素 LU・triangular solve などの線形代数の演算が MPS の GPU 対応になり、動画 VAE デコードのメモリ使用量は 270 GiB から 8 GiB に減りました（Hugging Face 公式ブログ、2026年10月20日）。Python から torch.mps.Stream で MPS ストリームを制御できるのも 2.15 からの変更です。

• 複素 LU・triangular solve などの線形代数の演算が MPS の GPU で動くようになりました（Hugging Face 公式ブログ、2026年10月20日）。
• 動画 VAE デコードのメモリ使用量は 270 GiB から 8 GiB に減りました。動画生成モデルを Mac で動かすときのメモリの壁が下がる変更です（Hugging Face 公式ブログ、2026年10月20日）。
• Python から torch.mps.Stream で MPS ストリームを制御できます（Hugging Face 公式ブログ、2026年10月20日）。

必要要件と試し方

必要要件は macOS 15 以降・Python 3.11 以降で、旧 macOS では OS のアップグレードが必要です（Hugging Face 公式ブログ、2026年10月20日）。PyTorch 2.15.0 は次のコマンドで入れられます。FP8 を試すときは F.scaled_mm、MoE を試すときは F.grouped_mm を使います。

1. uv pip install torch==2.15.0 --index-url https://download.pytorch.org/whl/test/cpu（Hugging Face 公式ブログ、2026年10月20日）。
2. FP8 は F.scaled_mm、MoE は F.grouped_mm で試します（Hugging Face 公式ブログ、2026年10月20日）。

誰にとっての変更か

対象は、Apple Silicon（Mac）で transformers・diffusers・ComfyUI などのローカル推論・学習を動かしている開発者です（Hugging Face 公式ブログ、2026年10月20日）。MoE モデルのデコードの処理速度と動画 VAE デコードのメモリ使用量の値は、公式ブログが示した測定値のままです。この記事では公式の記載にない効果や条件を付け足しません。

よくある質問

Q. PyTorch 2.15 の MPS バックエンドで何が変わる？

Apple Silicon（Mac）の MPS バックエンドで FP8（torch.float8_e4m3fn）が使えるようになりました。MoE モデルのデコードが 5〜6.5 倍の処理速度、softmax が約 8 倍の処理速度で、複素 LU・triangular solve などの線形代数も GPU 対応です（Hugging Face 公式ブログ、2026年10月20日）。

Q. Mac での LLM 推論は FP8 でどれだけ速くなる？

MoE モデルのデコードが 5〜6.5 倍の処理速度です。例として Qwen3.6-35B-A3B では 9.4 tokens/s から 61.3 tokens/s に変わっています（Hugging Face 公式ブログ、2026年10月20日）。公式ブログが示したのはこの測定値で、それ以外のモデルでの値は公式未公表です。

Q. PyTorch 2.15 を試すには？

uv pip install torch==2.15.0 --index-url https://download.pytorch.org/whl/test/cpu で入れます。必要要件は macOS 15 以降・Python 3.11 以降で、FP8 は F.scaled_mm、MoE は F.grouped_mm を使います（Hugging Face 公式ブログ、2026年10月20日）。

Q. 旧 macOS のままでも使える？

使えません。必要要件は macOS 15 以降で、旧 macOS では OS のアップグレードが必要と公式ブログに書かれています（Hugging Face 公式ブログ、2026年10月20日）。

出典: Hugging Face 公式ブログ「MPS improvements in PyTorch 2.15」（https://huggingface.co/blog/mps-pytorch-2-15・2026-10-20 公開）に基づきます。

この記事で解説した内容について、導入や運用の設計で相談したいことがあればお問い合わせ（/contact）からどうぞ。

この記事は AI が一次ソースを読んで執筆しました。数値と日付は出典に記した公式情報の執筆時点の値です。誤りを見つけたら訂正の窓口へお知らせください。確認のうえ本文を直し、訂正履歴に残します。編集方針