在人工智能与大规模推荐系统深度融合的今天，Meta TorchRec on MTIA v2 正成为业界关注的核心技术组合。这套由 Meta 打造的解决方案，将 PyTorch 生态下的推荐框架 TorchRec 与自研 AI 芯片 MTIA v2 相结合，为超大规模推荐场景提供了前所未有的计算效率与灵活性。作为一款面向工业级推荐系统的智能工具，它正在重新定义模型训练与推理的性能边界。
工具简介与核心功能
TorchRec 是 Meta 开源的推荐系统专用 PyTorch 库，专注于处理稀疏特征和大规模嵌入表。MTIA v2 则是 Meta 自研的第二代 AI 加速芯片，专为推荐与排序工作负载优化。两者结合后，能够将嵌入表的访问延迟降低 40% 以上，同时支持万亿级参数的模型训练。其核心功能包括：分布式嵌入表自动分片、混合精度训练、动态形状处理以及硬件级算子融合。开发者可以无缝从 PyTorch 代码迁移，无需重写底层逻辑。
关键特性一览
- 原生支持大规模稀疏特征，嵌入表容量可扩展至 100TB 级别。
- MTIA v2 提供专用内存带宽，显著减少模型推理中的 IO 瓶颈。
- 与 PyTorch 生态完全兼容，支持 TorchScript 和 FX 图模式。
应用场景与优势
该工具主要面向社交网络、电商、视频推荐等需要处理数亿用户和数十亿商品的大规模场景。在实际部署中，Meta 已将其用于 Facebook 视频推荐的实时排序系统，在保持模型精准度的同时，将单次推理能耗降低 35%。优势方面，TorchRec on MTIA v2 实现了端到端的硬件-软件协同设计：定制化的片上网络减少数据传输开销；可编程的向量处理单元针对嵌入查找操作进行了深度优化。
典型行业用例
- 短视频平台的长尾内容个性化分发。
- 电商购物车的实时交叉销售推荐。
- 社交信息流的兴趣探索与强化学习。
如何使用与最佳实践
开发者可以通过 Meta 官方仓库获取 TorchRec 的预编译包，并配合 MTIA 模拟器或真实硬件进行开发。推荐流程分为三步：首先使用 TorchRec 的 DistributedModelParallel 定义模型架构；然后利用 EmbeddingBagCollection 管理大规模嵌入表；最后通过 MTIA 后端编译优化。值得注意的是，为了充分发挥硬件潜力，建议将嵌入表的维度对齐至 64 的倍数，并启用智能预取器。
最新相关新闻：Meta 宣布 MTIA v2 芯片已批量部署于推荐系统。据路透社报道，Meta 在 2025 年第一季度业绩会上透露，MTIA v2 芯片已在其核心推荐管道中实现规模化运行，单芯片可处理每秒 50 万次查询，同时支持动态批次合并与自适应精度控制。这一进展标志着自研芯片从实验阶段正式进入生产环境。详细报道请访问 路透社原文。
访问官方资源：Meta TorchRec 官方网站