metal-kernel

Offizieller PyTorch-Leitfaden für native Metal-Kernel und MPS-Operatoren auf Apple Silicon.

metal-kernel ist ein offizieller Skill aus dem PyTorch-Repository. Er richtet sich an Entwicklerinnen und Entwickler, die PyTorch-Operatoren für Apples MPS-Backend ergänzen, bestehende MPSGraph-Implementierungen auf native Metal-Kernel umstellen oder CUDA-nahe Logik für Apple Silicon übertragen. Laut Anbieter ist das Ziel ausdrücklich die Nutzung der nativen Metal-Infrastruktur unter c10/metal und nicht MPSGraph. Der Skill ist damit ein technischer Arbeitsleitfaden für PyTorch-Beiträge, kein fertiger GPU-Treiber, kein eigenständiges Metal-Framework und kein allgemeiner Einführungskurs in maschinelles Lernen.

Zweck und Architektur

Der beschriebene Ablauf verbindet drei Schichten. Zuerst wird in native_functions.yaml die Dispatch-Zuordnung für den Operator gepflegt. Bei einer Migration sollen alle relevanten Overloads geprüft werden, also funktionale, In-place-, Out- und Tensor- oder Scalar-Varianten. Danach entsteht der Metal-Kernel unter aten/src/ATen/native/mps/kernels. Für elementweise Operationen beschreibt die Quelle Funktoren und Registrierungs-Makros für unäre, binäre oder Alpha-Parameter. Die dritte Schicht ist der Host-seitige Stub unter aten/src/ATen/native/mps/operations. Er bindet TensorIterator an die passende Kernel-Bibliothek und registriert den MPS-Dispatch. Diese Trennung macht sichtbar, ob ein Fehler in der YAML-Zuordnung, im Metal-Code oder in der Host-Anbindung liegt.

Praktische Implementierung

Laut Anbieter helfen REGISTER_UNARY_OP und REGISTER_BINARY_OP dabei, die Iterator-Anbindung für typische elementweise Operationen zu kapseln. Je nach Semantik können Gleitkomma-, Integer-, BFloat16- oder komplexe Datentypen eigene Registrierungen und Funktor-Überladungen benötigen. Die Quelle erläutert opmath- und Akkumulationstypen sowie präzise mathematische Hilfsfunktionen aus c10/metal. Für komplexe Werte ist zu beachten, dass Metal-Darstellungen als Vektoren auftreten können. Wer eine vorhandene MPSGraph-Operation migriert, muss den alten Host-Implementierungspfad entfernen und jeden verbliebenen Verweis auf die alte Funktion prüfen. Ein einzelner unvollständig migrierter Overload kann sonst weiterhin den alten Pfad verwenden.

Tests und Diagnose

Die PyTorch-Testinfrastruktur unter test/test_mps.py prüft grundlegende Übereinstimmung zwischen Ausgaben. Der Skill verweist zusätzlich auf torch.mps.compile_shader, womit einzelne Metal-Shader isoliert kompiliert und auf dem MPS-Gerät getestet werden können. Die offizielle Dokumentation beschreibt dabei Threads als Gesamtzahl der Threads und group_size als Threadzahl pro Threadgruppe. Diese Unterscheidung ist wichtig, weil dispatchThreads nicht dasselbe bedeutet wie dispatchThreadgroups. Bei Pipelines aus mehreren Kerneln sollte jede Zwischenstufe gegen eine CPU- oder NumPy-Referenz geprüft werden, ohne aus Bequemlichkeit jeden GPU-Wert auf die CPU zu kopieren.

Grenzen und Sicherheit

Der Skill setzt Kenntnisse in C++, Objective-C oder Objective-C++, Metal, PyTorch-Builds und MPS voraus. Die beschriebenen Dateien liegen im PyTorch-Quellbaum; sie verändern nicht automatisch eine installierte PyTorch-Version. Apple-Hardware, passende Betriebssysteme, Compiler, SDKs und ein korrekt konfigurierter Build sind erforderlich. Der Leitfaden garantiert weder Performance noch numerische Gleichheit für jede Form und jeden Datentyp. Besonders wichtig sind leere und nicht zusammenhängende Tensoren, große Tensoren, Indexgrenzen und asynchrone Fehler. Laut Anbieter sollen Fehler über den vorgesehenen MPS-Fehlerpuffer gemeldet werden, nicht durch erzwungene GPU-zu-CPU-Synchronisation. Builds und Tests dürfen nur in einer kontrollierten Entwicklungsumgebung ausgeführt werden; unbekannte Dateien, Skripte oder automatisch erzeugte Änderungen müssen vor der Ausführung geprüft werden.

Quelle und Einordnung

Die Primärquelle ist https://github.com/pytorch/pytorch/tree/main/.claude/skills/metal-kernel. Ergänzend ist https://docs.pytorch.org/docs/stable/generated/torch.mps.compile_shader.html die offizielle PyTorch-Dokumentation für das isolierte Shader-Testen. Der Quellbaum von PyTorch ist unter BSD-3-Clause lizenziert. Diese Katalogbeschreibung wurde am 9. September 2026 geprüft. GitHub-Sterne werden für diesen Eintrag nicht gespeichert, weil das Skill-Modell kein github_stars-Feld besitzt. Der Skill passt zu Claude Code, weil er als .claude/skills-Ressource veröffentlicht ist; die fachliche Anleitung selbst ersetzt keine Prüfung der jeweils installierten PyTorch-Version.

Installationsanleitung

Einordnung und Nutzen

metal-kernel ist ein PyTorch Skill zum Schreiben nativer Metal- und MPS-Kernel für Apple Silicon. Er beschreibt, wie neue MPS-Unterstützung für PyTorch-Operatoren ergänzt oder bestehende MPSGraph-Pfade auf native Metal-Kernel umgestellt werden. Laut Anbieter beziehungsweise laut der offiziellen Projektquelle ist der Baustein für Situationen gedacht, in denen ein Agent nicht nur allgemein antworten, sondern mit konkreten Werkzeugen, Dateien oder Diensten arbeiten soll. Für Einsteiger heißt das: Der Skill oder MCP-Server ist kein eigenständiger Chatbot, sondern eine Anleitung oder Schnittstelle, die einem vorhandenen KI-Client zusätzliche Fähigkeiten gibt.

Wichtig ist die Unterscheidung der Fachbegriffe. Ein MCP-Server stellt über das Model Context Protocol Werkzeuge bereit, die ein Client aufrufen kann. Ein Skill ist dagegen meist ein Paket aus Anweisungen, Skripten und Referenzen, das einem Agenten sagt, wie eine wiederkehrende Aufgabe zuverlässig erledigt werden soll. MPS ist PyTorchs Backend für Apples Metal Performance Shaders; ein Dispatch entscheidet, welche Implementierung für ein Gerät verwendet wird. In beiden Fällen bleibt der Mensch verantwortlich für Ziel, Berechtigungen und Prüfung der Ergebnisse.

Schritt 1: Voraussetzungen und Setup

Für den Einstieg brauchst du zuerst einen kompatiblen Agenten oder Client, außerdem Zugriff auf die offizielle Quelle von PyTorch. Du brauchst eine PyTorch-Entwicklungsumgebung, Apple-Silicon-Hardware oder passenden Zugriff, Kenntnisse in C++ und Metal sowie Verständnis der PyTorch-Operatorregistrierung. Der Skill verweist auf Dateien wie native_functions.yaml, MPS-Operationen und Metal-Kernelverzeichnisse. Installiere oder verbinde die Komponente möglichst genau nach der Anbieteranleitung, denn kleine Abweichungen bei Pfaden, Umgebungsvariablen oder Authentifizierung führen oft dazu, dass der Agent scheinbar zufällig scheitert. Sinnvoll ist ein Testlauf mit ungefährlichen Beispieldaten, bevor produktive Projekte, Kundeninformationen oder echte Infrastruktur einbezogen werden.

Dokumentiere nach der Einrichtung, welcher Client verwendet wird, wo die Konfiguration liegt und welche Rechte vergeben wurden. Bei lokalen Skills gehört dazu der Installationspfad im Projekt oder im Benutzerprofil. Bei einem MCP-Server gehört dazu die Server-URL oder der Startbefehl, die gewählte Transportart und die Art der Anmeldung. Wenn mehrere Personen im Team arbeiten, verhindert diese Dokumentation, dass ein funktionierendes Setup später unbemerkt mit anderen Rechten oder einer anderen Version läuft.

Sicherheit und Best Practices

Kernel-Code kann numerische Fehler, Speicherprobleme oder Performance-Regressionen verursachen. Arbeite mit kleinen Testfällen, vergleiche CPU-, CUDA- und MPS-Ergebnisse und achte auf alle Overloads eines Operators. Vermeide es, API-Schlüssel, Zugriffstoken, Datenbankauszüge oder vertrauliche Dateien direkt in den Chat zu kopieren. Lege Geheimnisse in Secret Stores, Umgebungsvariablen oder der sicheren Client-Konfiguration ab. Wenn ein Tool Aktionen ausführen kann, sollte es zuerst in einer Testumgebung genutzt werden. Für produktive Systeme sind Freigaben, Protokolle und klare Rollback-Wege wichtiger als die Bequemlichkeit eines schnellen Prompts.

Gute Prompts beschreiben Ziel, Umfang und Grenzen. Bitte den Agenten, Annahmen offen zu nennen, vor riskanten Aktionen eine Zusammenfassung zu geben und Ergebnisse mit den zugrunde liegenden Daten zu vergleichen. Bei Skills mit Skripten lohnt sich ein Blick auf Eingaben und Ausgaben: Welche Dateien werden gelesen, welche Dateien werden geschrieben, und welche externen Dienste werden kontaktiert? Diese einfache Prüfung reduziert Datenschutzrisiken und macht Fehler schneller auffindbar.

Schritt 2: Praxisnutzen, Grenzen und Prüfung

Der Skill hilft PyTorch-Beitragenden, systematisch Dispatch, Host-Stub und Shader-Implementierung zusammenzuführen. Der größte Nutzen entsteht, wenn die Aufgabe wiederkehrend ist und klare Prüfkriterien hat. Ein Agent kann Kontext sammeln, Zwischenschritte strukturieren und Ergebnisse in ein brauchbares Format bringen. Trotzdem sollte man die erste Ausführung nicht als endgültige Wahrheit behandeln. Prüfe Stichproben, vergleiche die Ausgabe mit der offiziellen Dokumentation und halte fest, welche Entscheidungen der Mensch getroffen hat.

Er ist nicht für normale PyTorch-Anwender gedacht, die nur ein Modell trainieren möchten. Ohne Build-, Test- und Review-Prozess ist das Risiko hoch. Grenzen zeigen sich besonders bei unvollständigen Daten, veralteter Dokumentation oder Aufgaben mit rechtlicher, finanzieller oder sicherheitskritischer Wirkung. Herstellerangaben beschreiben meist, was technisch möglich ist, nicht automatisch, was in deiner Organisation erlaubt oder sinnvoll ist. Nutze metal-kernel daher als kontrollierten Beschleuniger: klein starten, Rechte begrenzen, Resultate prüfen und erst nach belastbaren Erfahrungen in wichtigere Arbeitsabläufe übernehmen.

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

Repository und Dokumentation

Kategorien

Kompatibel mit

Claude Code