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. Nació en el laboratorio de investigación en IA de Facebook (hoy Meta), que lo liberó en 2016; su artículo de referencia, firmado por Adam Paszke y colaboradores, se presentó en NeurIPS 2019.

Desde 2022 el proyecto ya no pertenece a Meta: lo gobierna la PyTorch Foundation, alojada en la Linux Foundation. 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. Según el anuncio oficial, funcionó en el 93% de un banco de 165 modelos de código abierto, con mejoras medias de entrenamiento de entre el 20% y el 36%. La compilación abrió además la vía al despliegue actual: torch.export captura el modelo como un grafo estable y sobre él se apoya ExecuTorch, el entorno de ejecución para móviles y dispositivos embebidos que alcanzó su versión 1.0 en octubre de 2025 y quedó integrado en el núcleo del framework con 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, Meta transfirió el proyecto a la Linux Foundation en septiembre de 2022 —con AMD, AWS, Google Cloud, Microsoft Azure y NVIDIA entre los miembros fundadores de la PyTorch Foundation—, que en mayo de 2025 pasó a ser fundación paraguas y acogió como proyectos propios vLLM (inferencia de grandes modelos de lenguaje) y DeepSpeed (entrenamiento distribuido). La nota de prensa de 2022 contaba ya más de 2.400 contribuidores y 18.000 organizaciones usuarias; no incluimos cifras de cuota más recientes porque no hay una fuente pública actual que las respalde.

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.