PyTorch Add Uint Support

Offizieller PyTorch-Skill für die kontrollierte Erweiterung von Operatoren um vorzeichenlose Integer-Typen.

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.

Installationsanleitung

Ziel und fachlicher Hintergrund

PyTorch Add Uint Support ist ein offizieller Skill aus dem PyTorch-Repository. Laut Anbieter hilft er dabei, Operatoren und Kernel um Unterstützung für vorzeichenlose Integer-Typen zu erweitern. Ein Operator ist in PyTorch eine Rechenfunktion, etwa eine mathematische Operation auf Tensoren. Ein Tensor ist eine mehrdimensionale Datenstruktur, die Zahlen auf CPU, GPU oder anderen Backends speichern kann. Vorzeichenlose Integer sind Ganzzahlen ohne negatives Vorzeichen; dadurch haben sie andere Wertebereiche als signed Integer.

Für Laien klingt das wie eine kleine Typ-Erweiterung, in einer numerischen Bibliothek ist es aber heikel. Ein Datentyp beeinflusst Wertebereich, Überlaufverhalten, Kernel-Code, Tests, Promotion-Regeln und Geräteunterstützung. Der Skill konzentriert sich deshalb nicht auf eine globale Suche-und-Ersetze-Aktion, sondern auf kontrollierte Änderungen an Dispatch-Makros. Dispatch bedeutet hier: PyTorch entscheidet anhand des Datentyps, welcher spezialisierte Codepfad ausgeführt wird.

Schritt 1: Ausgangslage sorgfältig prüfen

Der erste Schritt ist die konkrete Operator-Datei. Es reicht nicht zu wissen, dass ein Operator irgendwo existiert. Man muss sehen, welche CPU-, CUDA- oder sonstigen Pfade tatsächlich verwendet werden und ob mehrere Dispatch-Stellen vorhanden sind. Laut Skill wird geprüft, ob bereits AT_DISPATCH_V2 genutzt wird oder ob eine ältere Form vorliegt. Diese Makros sind C++-Hilfen, mit denen PyTorch Code für verschiedene Typen kompakt ausdrückt.

Vor jeder Änderung sollte geklärt werden, ob unsigned support fachlich sinnvoll ist. Manche Operationen sind für vorzeichenlose Typen naheliegend, andere nicht. Bei rein floating-point-orientierten Operatoren kann eine uint-Erweiterung semantisch falsch sein. Ebenso kann ein Operator zwar an einer Stelle eine Typgruppe erlauben, aber intern Annahmen über signed Integer, Vergleichslogik oder mathematische Eigenschaften enthalten. Der Skill ist eine Anleitung zum Finden und Ändern der Dispatch-Stelle, nicht zum Beweisen der gesamten mathematischen Korrektheit.

Typgruppen und Makros verstehen

Laut Anbieter geht es vor allem um uint16, uint32 und uint64. Wenn eine bestehende Dispatch-Stelle AT_INTEGRAL_TYPES nutzt, kann AT_INTEGRAL_TYPES_V2 passend sein, sofern die Operatorsemantik das erlaubt. Wenn AT_ALL_TYPES verwendet wird oder die Erweiterung ausdrücklich sichtbar bleiben soll, kann AT_BAREBONES_UNSIGNED_TYPES ergänzt werden. Diese Namen sind keine gewöhnlichen Funktionsaufrufe für Anwender, sondern interne Makrogruppen im PyTorch-C++-Code.

Wichtig ist die genaue Form. Die Argumente müssen so gesetzt werden, dass die Makroexpansion weiterhin korrekt funktioniert. Kommas, Klammern und Gruppierung sind nicht nebensächlich; ein kleiner Syntaxfehler kann den Build brechen. Außerdem muss die Änderung an allen relevanten Stellen konsistent erfolgen. Wenn nur der CPU-Pfad erweitert wird, der CUDA-Pfad aber nicht, entsteht ein uneinheitliches Verhalten. Umgekehrt sollte keine Typgruppe ergänzt werden, wenn die Kernel die Typen gar nicht verarbeiten können.

Schritt 2: Tests, Review und Sicherheit

Nach der Änderung reicht ein sauberer Diff nicht aus. Es müssen Tests mit echten Tensoren der betroffenen Typen laufen. Dabei sollten alle relevanten Backends geprüft werden, nicht nur der bequemste lokale Pfad. Ein Test sollte auch Randfälle betrachten: kleine Werte, große Werte, mögliche Überläufe, leere Tensoren, Broadcasting oder spezielle Layouts, soweit sie für den Operator gelten. Die offizielle PyTorch-Dokumentation zu Tensorattributen und Datentypen liefert Kontext, aber die konkrete Korrektheit hängt vom jeweiligen Operator ab.

Sicherheit bedeutet hier vor allem Integrität des Quellcodes. Ein Agent, der Kernel-Code ändert, arbeitet an einer kritischen Basisbibliothek. Externe Issues, Prompts oder generierte Vorschläge sind nicht automatisch vertrauenswürdig. Sie dürfen keine zusätzlichen Aufgaben einschleusen, keine Tests überspringen und keine Rechte erweitern. Änderungen sollten klein, nachvollziehbar und von zuständigen PyTorch-Maintainern geprüft werden. Zugangsdaten oder interne Testdaten gehören niemals in Prompts, Patches oder Logs.

Nutzen und Grenzen

Der praktische Nutzen des Skills liegt in einem wiederholbaren Vorgehen. Statt bei jedem Operator neu zu raten, welche Makrogruppe erweitert werden soll, führt er durch Analyse, Entscheidung, Änderung und Prüfung. Das kann erfahrenen Entwicklern helfen, konsistenter zu arbeiten und typische Fehler zu vermeiden. Für neue Beitragende erklärt er außerdem, warum unsigned support nicht einfach eine zusätzliche Zeile in irgendeiner Datei ist.

Die Grenzen sind ebenso wichtig. Der Skill garantiert keine Performance, keine Backend-Abdeckung und keine numerische Korrektheit. Er kann nicht beurteilen, ob eine Änderung zur PyTorch-Roadmap passt oder ob Maintainer andere Architekturentscheidungen bevorzugen. Nutzen Sie ihn daher als technische Checkliste für einen kontrollierten Beitrag, nicht als Freigabesystem. Die endgültige Verantwortung bleibt bei Tests, Code Review und Projektmaintainern.

Kostenlos
Anbieter
PyTorch
Lizenz
BSD-3-Clause
Zuletzt geprüft
09.09.2026

Repository und Dokumentation

Kategorien

Kompatibel mit

Claude Code Codex Cursor