PyTorch

PyTorch es un framework de aprendizaje profundo de código abierto: una biblioteca para Python que permite definir redes neuronales, calcular gradientes de forma automática (autograd) y entrenar modelos sobre GPU y otros aceleradores. Su desarrollo comenzó en 2016 con trabajo de la comunidad de Torch y aportaciones destacadas de Meta y otros colaboradores; el artículo de referencia de Adam Paszke y colaboradores se presentó en NeurIPS 2019.

Desde septiembre de 2022, la gobernanza empresarial de PyTorch corresponde a la PyTorch Foundation, un proyecto de la Linux Foundation; las decisiones técnicas siguen en manos de sus mantenedores, y Meta continúa siendo miembro y contribuidor. A julio de 2026, la versión estable más reciente es PyTorch 2.13, publicada el 8 de julio según el repositorio oficial en GitHub.

Qué lo distingue

Su seña de identidad es la ejecución inmediata (modo eager): el modelo es código Python corriente que se ejecuta línea a línea, de modo que depurar una red neuronal se parece a depurar cualquier otro programa. Sobre esa base, autograd registra las operaciones sobre tensores y calcula los gradientes de forma dinámica, incluso a través de bucles y condicionales nativos del lenguaje. El artículo de NeurIPS 2019 resume la filosofía: estilo imperativo sin renunciar al rendimiento. Esa combinación explica su arraigo en la investigación, donde iterar rápido importa tanto como ejecutar rápido.

De PyTorch 2 a hoy: compilación y despliegue

En marzo de 2023 llegó PyTorch 2.0 con torch.compile, una función que compila el modelo para acelerarlo sin cambiar su código y manteniendo la retrocompatibilidad. En las pruebas publicadas para PyTorch 2.0, torch.compile funcionó en el 93% de 163 modelos de código abierto y, sobre una GPU NVIDIA A100, aceleró el entrenamiento un 43% de media: un 21% con precisión de 32 bits y un 51% con precisión mixta automática. Para el despliegue, torch.export traza el cálculo tensorial del modelo como un grafo que puede ejecutarse con otras entradas o serializarse, siempre que se cumplan las restricciones registradas durante la captura. ExecuTorch, el entorno para inferencia en móviles y dispositivos embebidos, alcanzó la versión 1.0 el 22 de octubre de 2025 y pasó a formar parte de PyTorch Core el 7 de abril de 2026, tres meses antes de PyTorch 2.13. Para interoperar con otros motores de inferencia se mantiene el exportador al formato ONNX.

Ecosistema y gobernanza

Alrededor del núcleo orbitan bibliotecas oficiales como torchvision (imagen) y torchaudio (audio), y buena parte de la industria construye encima: la biblioteca Transformers de Hugging Face abandonó TensorFlow y JAX en su versión 5 para centrarse en PyTorch, según su propia guía de migración. En cuanto a la gobernanza, PyTorch pasó de Meta a la Linux Foundation en septiembre de 2022, con AMD, AWS, Google Cloud, Meta, Microsoft y NVIDIA como miembros fundadores de la PyTorch Foundation. El 7 de mayo de 2025, la fundación anunció su ampliación como organización paraguas y acogió vLLM, dedicado a la inferencia de modelos, y DeepSpeed, centrado en entrenamiento distribuido. El anuncio de 2022 hablaba de más de 2.400 contribuidores y de casi 154.000 proyectos construidos con PyTorch, no de 18.000 organizaciones usuarias. No damos una cuota de uso actual: las fuentes oficiales abiertas consultadas no publican una medición comparable.

Cuándo elegirlo

PyTorch es la opción por defecto si se parte de modelos publicados por la comunidad investigadora o del ecosistema de Hugging Face, si se quiere depurar en Python puro o si el destino final es un dispositivo móvil vía ExecuTorch. Alternativas como JAX ofrecen ventajas en ciertos flujos funcionales y en TPU, y TensorFlow sigue presente en sistemas ya desplegados; pero para empezar hoy un proyecto de aprendizaje profundo, PyTorch es el punto de partida con más respaldo de documentación, herramientas y comunidad.