---
title: "PyTorch 2.15'te MPS Yenilikleri: Mac Üzerinde Yapay Zeka Geliştirme"
url: https://blog.edumints.com/pytorch-2-15-te-mps-yenilikleri-mac-uzerinde-yapay-zeka-gelistirme
category: "LLM"
date: 2026-10-20T15:06:25.994Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hugging Face Blog"
source_url: https://huggingface.co/blog/mps-pytorch-2-15
---

# PyTorch 2.15'te MPS Yenilikleri: Mac Üzerinde Yapay Zeka Geliştirme

Mac cihazınızda model çalıştırıyor veya temel hızlandırma aracınız olarak MPS (Metal Performance Shaders) kullanıyorsanız, PyTorch 2.15 sürümü iş akışlarınızı dönüştürecek yenilikler sunuyor. MPS'e gelen FP8 desteği, dil modeli (LLM) çözümlemesinde doğrusal katmanlar ve softmax için hızlandırılmış yollar ve yeni Metal çekirdekleri; ses, video ve eğitim iş yüklerindeki en maliyetli darboğazları ortadan kaldırıyor.

Hugging Face bünyesindeki PyTorch ekibi olarak hedefimiz, Mac cihazları PyTorch modellerini çalıştırmak ve eğitmek için birinci sınıf bir geliştirme ortamı haline getirmektir. 2026 başlarında MPS üzerinde küçük modelleri çalıştırmak bile desteklenmeyen işlemler, performans düşüşleri ve beklenmedik bellek artışlarıyla uğraşmak anlamına geliyordu. Bu sorunları çözmek için Hugging Face Hub'daki gerçek dil, görüntü ve video modellerini test ediyor, MPSGraph yapılarını özel Metal çekirdekleriyle değiştirerek iyileştirmeleri doğrudan PyTorch'a kazandırıyoruz.

## Özet (TL;DR)

- **FP8 desteği Mac'e geliyor:** `float8_e4m3fn` değerlerini BF16'nın yarısı kadar alanda saklayabilir; ölçeklenmiş matris çarpımı ve CUDA/CPU'da desteklenen diğer tüm işlemleri doğrudan kullanabilirsiniz.
- **MoE modelleri 2.14'e göre 5–6.5 kat daha hızlı:** Özel çözümleme yoluna sahip yerel gruplanmış matris çarpımı, daha az GPU-CPU senkronizasyonu ve hızlı top-k yönlendirmesi sayesinde Qwen3.6-35B-A3B modeli M3 Ultra üzerinde 9.4'ten 61.3 token/sn hıza ulaşıyor.
- **Her LLM için token başına daha az süre:** Tek satırlı doğrusal katmanlar özelleştirilmiş matris-vektör çekirdeklerini kullanıyor ve kelime dağarcığı üzerindeki softmax işlemi yaklaşık 8 kat daha hızlı çalışıyor.
- **GPU üzerinde daha fazla doğrusal cebir:** Karmaşık LU ve üçgensel çözümler, daha hızlı küçük matris tersleri ve hızlandırılmış QR ayrıştırması sunuluyor.
- **Ses, video ve eğitim iyileştirmeleri:** Evrişim (convolution), dolgulama (padding), dropout, enterpolasyon geri yayılımı ve indirgemeler hızlandırıldı. Wan2.2 video VAE çözümlemesi artık 270 GiB yerine en fazla 8 GiB bellek tüketiyor.
- **Python'dan daha fazla kontrol:** Genel MPS akışları (streams) ve daha güvenilir olay zamanlaması (event timing) eklendi.
- **Güncellenen gereksinimler:** MPS artık macOS 15 veya üzerini; PyTorch 2.15 ise Python 3.11 veya üzerini gerektiriyor.
- **2.16 sürümüne bakış:** Tamamen Metal üzerinde çalışan dikkat (attention) mekanizması, daha fazla MPSGraph-Metal geçişi ve daha hızlı LLM çözümlemesi yolda.

## Bu Sizin İçin Ne Anlama Geliyor?

Mac üzerinde `transformers`, `diffusers` veya ComfyUI gibi araçlarla geliştirme yapıyorsanız, 2.15 sürümünün pratikteki etkileri şunlardır:

- **Çok daha hızlı yerel LLM'ler:** Uzmanların Karışımı (MoE) modelleri 5–6.5 kat hızlanıyor. M3 Ultra'da `torch.compile` ile Qwen3.6-35B-A3B 61.3 token/sn, LFM2.5-8B-A1B ise 23.6'dan 123.6 token/sn hıza çıkıyor. Yoğun (dense) modeller de hızlı doğrusal katmanlar ve 8 kat hızlı softmax örneklemesinden faydalanıyor.
- **Belleğe sığan video üretimi:** Wan2.2'nin parçalı VAE'si ile video çözümlemek sürücü belleğini 270 GiB'a çıkarırken, artık 8 GiB seviyesinde kalıyor. Bu durum yerel prototiplemeyi mümkün kılıyor.
- **Qwen-Image-2.1 ile hatasız görüntü düzenleme:** 2.14 sürümünde görüntüleri sessizce bozan VAE kodlayıcı hatası dolgulama güncellemesiyle giderildi; kodlama-çözümleme döngüsü artık 10.06 dB yerine 29.95 dB PSNR ile CPU sonuçlarıyla eşleşiyor.
- **Mac'inizde FP8 ağırlıkları:** FP8 tensörleri BF16'nın yarısı kadar bellek kullanıyor ve `F.scaled_mm` bunları doğrudan GPU'da çarpıyor. Geliştiriciler bu sayede bulut maliyetine katlanmadan çok daha büyük modelleri yerel donanımlarında test edebilir ve optimize edebilirler.

---

**Kaynak:** Hugging Face Blog (https://huggingface.co/blog/mps-pytorch-2-15)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/pytorch-2-15-te-mps-yenilikleri-mac-uzerinde-yapay-zeka-gelistirme