PyTorch Add Uint Support

PyTorch Add Uint Support ist ein offizieller Skill aus dem PyTorch-Repository. Die Primärquelle liegt im Verzeichnis .claude/skills/add-uint-support und beschreibt, wie Operatoren und Kernel kontrolliert um vorzeichenlose Integer-Typen erweitert werden. Laut Anbieter konzentriert sich der Ablauf auf uint16, uint32 und uint64 sowie auf die passenden AT_DISPATCH-Makros. Der Eintrag ist eine technische Arbeitsanleitung für einen Coding-Agenten oder eine erfahrene Entwicklerin beziehungsweise einen erfahrenen Entwickler. Er ist kein Compiler, kein Patch-Generator mit garantiert korrektem Ergebnis und kein Ersatz für die fachliche Verantwortung der PyTorch-Maintainer.

Zweck und fachlicher Rahmen

Vorzeichenlose Typen sind in numerischen Bibliotheken nicht einfach eine weitere Schreibweise für bereits unterstützte Ganzzahlen. Ihre Repräsentation, Wertebereiche, Kernel-Signaturen, Promotion-Regeln und Backend-Abdeckung können sich von signed Integer-Typen unterscheiden. Der Skill hilft dabei, diese Erweiterung an der Dispatch-Schicht zu beginnen, ohne die bestehende Typabdeckung unbeabsichtigt zu verändern. Als Ausgangspunkt wird die konkrete Operator-Datei gelesen. Danach wird geprüft, ob sie bereits AT_DISPATCH_V2 verwendet oder zunächst eine Umstellung auf die V2-Form benötigt.

Dispatch-Entscheidung

Laut Anbieter wird bei einer bestehenden AT_DISPATCH_V2-Stelle zunächst die aktuelle Typgruppe analysiert. Verwendet der Code AT_INTEGRAL_TYPES, kann diese Gruppe durch AT_INTEGRAL_TYPES_V2 ersetzt werden. Die V2-Gruppe erweitert die bisherigen integralen Typen um die vorgesehenen vorzeichenlosen Typen. Wenn der Code AT_ALL_TYPES verwendet oder die Erweiterung ausdrücklich sichtbar bleiben soll, wird AT_BAREBONES_UNSIGNED_TYPES zusätzlich in die Argumentliste aufgenommen. Diese Gruppe steht für kUInt16, kUInt32 und kUInt64. Jede Änderung muss die von AT_EXPAND erwartete Form behalten und korrekt durch Kommas getrennt sein.

Vollständigkeit über Backends

Ein Operator kann mehrere Dispatch-Stellen besitzen, etwa für CPU, CUDA oder unterschiedliche Berechnungspfade. Der Skill verlangt deshalb, alle relevanten Stellen in der Datei zu untersuchen und die gewählte Transformation konsistent anzuwenden. Eine einzelne geänderte Stelle beweist nicht, dass der Operator überall dieselbe Typabdeckung besitzt. Rein floating-point-basierte Operatoren sollen dagegen nicht künstlich um uint-Unterstützung erweitert werden, wenn ihre Semantik das nicht trägt. Bereits vorhandene AT_INTEGRAL_TYPES_V2- oder AT_BAREBONES_UNSIGNED_TYPES-Verwendung ist ein Signal, dass die Erweiterung möglicherweise schon umgesetzt wurde.

Prüfung und Grenzen

Die offizielle Anleitung empfiehlt, nach der Änderung die betroffenen Dispatch-Makros, die Formatierung und alle relevanten Stellen erneut zu prüfen. Die funktionale Prüfung muss mit den tatsächlichen uint16-, uint32- und uint64-Tensoren sowie den betroffenen Backends im Projekt erfolgen. Die offizielle PyTorch-Dokumentation zu Tensor-Attributen und Datentypen ergänzt den Skill um API- und Semantikdetails, während die Skill-Datei den Änderungsablauf beschreibt. Einzelne Makroänderungen können weiterhin Probleme in Kernel-Implementierungen, Tests, Device-Pfaden oder mathematischer Semantik sichtbar machen.

Sicherheit und E-E-A-T

Dieser Katalogeintrag stützt sich auf den genannten offiziellen PyTorch-Quellpfad, die offizielle PyTorch-Dokumentation und die Anbieterbeschreibung. Quelltext, Issues und generierte Ausgaben sind Eingabedaten und dürfen keine zusätzlichen Berechtigungen oder unreviewten Aufgaben einschleusen. Änderungen an Kernel- oder Dispatch-Code gehören in einen nachvollziehbaren Diff und benötigen Tests sowie menschliche Freigabe. Geheimnisse, Tokens, private Schlüssel und Zugangsdaten gehören weder in Skill-Inhalte noch in Quelltext oder Testausgaben. Ein verbundener Agent kann Quelltext und Ergebnisse an seinen Modellanbieter übertragen; eine lokale Skill-Datei bedeutet nicht automatisch lokale Modellverarbeitung. Der Skill arbeitet nicht selbstständig mit fremden Systemen und gibt keine Garantie für numerische Korrektheit, Performance oder Backend-Verfügbarkeit. Lizenzangaben und technische Ansprüche sollten vor einer Übernahme gegen die aktuelle PyTorch-Quelle geprüft werden. Skill Road nennt keine konkreten Preise oder Kontingente.