Ascend for Pytorch基于graphImplInterface的图捕获实现方案（非cuda迁移变体）

在 PyTorch 的优化路径中，图捕获（Graph Capture）是实现性能提升的关键环节。当前 PyTorch 社区对图捕获的实现主要围绕 CUDA 设备展开，但随着 NPU 等其他加速器的接入需求日益增长，我们需要设计一套可扩展的图捕获架构，使得不同硬件后端能够以统一的方式接入这一优化路径。本文介绍的是“使用契约、但不迁移 CUDA”的实现变体。该方案的核心思路是：NPU 及其他已注册后端

Ascend for PyTorch Inductor C++ Builder 设备编译注册机制适配 NPU

修改前（) -> None:Args:"""Args:目的：提供模块级注册表与公开 API。重复注册时发出警告并覆盖，与 PyTorch 其他注册机制一致。

GLM-5.2 在 MindSpore TransFormer 动态图迁移与 GPU/NPU 精度对齐工作报告

随着大模型训练场景的多样化发展，模型需要在不同硬件平台上保持一致的训练精度。本工作旨在将 GLM-5.2 模型结构接入 MindFormers PyNative 框架，并以 GPU 上的 Megatron-LM 为参考基准，验证 Ascend NPU 与 NVIDIA GPU 在单卡训练场景下的精度一致性。通过系统化的对齐流程，确保模型在不同硬件平台上的训练行为可复现、可预期，为后续多卡扩展和实际