长期以来，需要调用 GPU 的 Python 开发者往往只有两条路可走：要么深入学习 CUDA C++ 自行编写扩展并维护绑定，要么依赖 PyTorch、CuPy、RAPIDS 等上层库。后一种选择造就了繁荣的 Python GPU 生态，但一旦需要用到库未暴露的能力，就会回到第一条路的门槛前。同时，不同库各自封装 CUDA，数据在同一块 GPU 显存上的协作往往依赖复杂的互操作协议。
随着 CUDA 13.3 的发布，NVIDIA 正式推出 CUDA Python 1.0——一组让开发者从 Python 获得完整 CUDA 平台能力的库与工具。本次一同落地的组件包括：cuda.core 1.0.0（对 CUDA 运行时的 Python 化访问）、cuda.compute 1.0.0（可在 Python 中调用的 CCCL 并行算法）、cuda.bindings 13.3.0（与 CUDA C API 一一对应的底层绑定，随 CUDA 工具包版本化）、cuda-pathfinder（定位环境中已安装的 CUDA 组件）以及 nvmath-python 1.0（NVIDIA 数学库的 Python 版本）。需要说明的是，"CUDA Python 1.0" 是一个里程碑命名而非具体的 pip 版本号，各组件独立版本，数字不同是刻意为之。
CUDA Python 1.0 的核心变化是引入语义化版本承诺：破坏性 API 变更只发生在大版本，小版本只增加功能，补丁版本只修复问题；任何计划移除的公开 API 都会先在小版本中废弃并给出明确的迁移路径。对于此前一直犹豫是否要在某个库之上构建应用的开发者而言，这一稳定性承诺正是最大的卖点。
更重要的是，CUDA Python 现在提供了统一的基础层。过去访问 CUDA 有多种绑定层可选，各自覆盖不同的 API 切片，对流、设备、内存各有各的定义；如今有了 NVIDIA 官方维护的统一途径，Numba 内核与 cuda.compute 调用可以在同一条流上操作同一个 GPU 缓冲区，对象可以跨库传递，因为它们底层是同一个对象。像 green contexts 这类对 GPU 流式多处理器进行分区的高级能力，也只需在 cuda.core 中实现一次，所有基于 cuda.core 的库都能使用。
自 CUDA 13.3 起，CUDA Python 与 C++ 成为平台上的平等公民，NVIDIA 承诺未来持续推进两者的特性对等。对库开发者而言，可以把精力放在自身特色上，而无需重复编写底层绑定；对应用开发者而言，依赖库会逐渐收敛到同一套基础设施上。
WeChat
Profile