Skip to content
Stork.AIstork.ai
Outil d'IA

ExecuTorch Review

ExecuTorch est la solution unifiée de PyTorch pour le déploiement de modèles d'IA sur appareil – des smartphones aux microcontrôleurs – conçue pour la confidentialité, la performance et la portabilité.

shipped 4 juil. 2026deployfree
DeploySelf-HostedMobile/Device
ExecuTorch — product screenshot

Pourquoi c'est important

1ExecuTorch v1.3.1, publié le 28 mai 2026, a étendu la couverture des modèles et des backends aux cibles embarquées, mobiles et GPU, y compris Arm, Cortex-M et Qualcomm.
2La plateforme a atteint la Disponibilité Générale (GA) avec ExecuTorch 1.0 le 22 octobre 2025, en mettant l'accent sur la stabilité pour les développeurs d'applications mobiles et embarquées.
3Il alimente des milliards d'inférences quotidiennes à travers les produits de Meta, y compris Instagram, WhatsApp, Quest 3 et les Ray-Ban Meta Smart Glasses.
4ExecuTorch prend en charge l'exécution de Large Language Models (LLMs) comme Llama 3.2 Quantized 1B/3B et Gemma 4 31B directement sur les appareils edge.

À propos de ExecuTorch

Plateformes
Android, iOS, Linux, macOS, Windows, Embedded systems
Public cible
Developers and researchers focused on AI deployment in edge devices.
API DocsGitHub

Spécifications

Documentation API

Voir la documentation →

API disponible

Oui, API publique

overview

Qu'est-ce qu'ExecuTorch ?

ExecuTorch est une plateforme de déploiement d'IA sur appareil développée par Meta qui permet aux développeurs et ingénieurs de déployer des modèles PyTorch sur appareil. Elle facilite l'inférence efficace sur divers facteurs de forme edge, y compris les appareils mobiles, embarqués et autres appareils edge, en tirant parti de l'écosystème PyTorch pour l'exécution des modèles. La plateforme aborde les défis inhérents à l'IA sur appareil, tels que la diversité matérielle, les exigences critiques en matière d'alimentation, la connectivité internet faible ou inexistante, et les besoins de traitement en temps réel. Elle se concentre sur la portabilité, la productivité et la performance dans des environnements aux ressources limitées où la connectivité cloud pourrait être limitée ou impraticable en raison de problèmes de latence, de confidentialité ou de coût. ExecuTorch prend en charge le déploiement de modèles quantifiés et offre des capacités pour le fonctionnement hors ligne, s'intégrant au cadre PyTorch plus large pour les applications d'IA sur appareil.

features

Fonctionnalités Clés d'ExecuTorch

ExecuTorch offre un ensemble complet de capacités conçues pour un déploiement d'IA sur appareil efficace et robuste au sein de l'écosystème PyTorch.

  • Plateforme open source pour le déploiement d'IA.
  • Prêt pour la production pour le déploiement de modèles PyTorch sur appareil.
  • Inférence efficace sur les facteurs de forme mobiles, embarqués et diversifiés.
  • Facilite le déploiement de modèles quantifiés pour les environnements à ressources limitées.
  • Prend en charge le fonctionnement hors ligne sans dépendance au cloud.
  • Assure la portabilité sur diverses plateformes, y compris Android, iOS, Linux, macOS, Windows et les systèmes embarqués.
  • Performances optimisées avec un runtime léger et une accélération matérielle.
  • Augmente la productivité des développeurs en utilisant des outils et des workflows PyTorch familiers.
  • S'intègre à l'écosystème PyTorch plus large pour l'exécution de modèles de bout en bout.

use cases

Qui Devrait Utiliser ExecuTorch ?

ExecuTorch est principalement conçu pour les développeurs et les ingénieurs qui ont besoin de déployer des modèles d'apprentissage automatique directement sur des appareils edge, en priorisant la performance, la confidentialité et les capacités hors ligne.

  • Développeurs déployant des modèles d'IA PyTorch sur appareil sur une large gamme d'appareils edge (par exemple, téléphones mobiles, casques AR/VR, systèmes embarqués, microcontrôleurs, ordinateurs de bureau, ordinateurs portables).
  • Ingénieurs alimentant les fonctionnalités d'IA sur appareil dans des produits et services comme Instagram, WhatsApp, Quest 3 et les Ray-Ban Meta Smart Glasses.
  • Équipes permettant aux IA génératives et aux assistants basés sur les LLM de fonctionner directement sur les appareils, y compris des modèles comme Llama 3.2 Quantized 1B/3B et Gemma 4 31B.
  • Professionnels facilitant la vision par ordinateur et le traitement des capteurs à la périphérie pour des applications à faible latence et respectueuses de la vie privée.
  • Chercheurs et développeurs axés sur l'inférence d'IA sur les appareils mobiles et l'optimisation pour les systèmes embarqués.

how to use

Comment Utiliser ExecuTorch

L'utilisation d'ExecuTorch implique un workflow structuré allant du développement de modèles dans PyTorch au déploiement optimisé sur le matériel edge cible.

  • 1Développer et entraîner un modèle PyTorch en utilisant les API PyTorch standard.
  • 2Exporter le modèle PyTorch en utilisant le compilateur PyTorch 2 et les outils d'exportation ExecuTorch.
  • 3Optimiser le modèle exporté pour l'appareil cible, y compris la quantification pour les environnements à ressources limitées.
  • 4Intégrer le modèle ExecuTorch optimisé dans l'application cible sur l'appareil edge.
  • 5Exécuter le modèle sur appareil en utilisant le runtime ExecuTorch pour une inférence efficace.
  • 6Utiliser des outils de développement comme le profiler ETDump et l'inspecteur ETRecord pour le débogage et l'analyse des performances.

pricing

Tarification et Plans ExecuTorch

ExecuTorch est une plateforme open source développée par Meta, rendant ses fonctionnalités principales disponibles sans coût direct.

  • Gratuit : Plateforme open source, Déploiement d'IA prêt pour la production, Inférence sur appareil, Déploiement de modèles quantifiés, Fonctionnement hors ligne.

Pros

  • +Provides a unified, PyTorch-native solution for end-to-end edge AI deployment, simplifying the workflow for PyTorch developers.
  • +Supports a wide array of hardware backends (over 12 supported), including Arm, Apple, Qualcomm, and NXP, ensuring broad device compatibility.
  • +Enables low-latency, privacy-preserving AI applications by executing models directly on-device, reducing cloud dependency.
  • +Facilitates offline operation and deployment of quantized models, making it suitable for resource-constrained and disconnected environments.
  • +Actively used in production by Meta across products like Instagram, WhatsApp, and Quest 3, demonstrating its robustness and scalability.
  • +Offers significant performance improvements for running LLMs on mobile/edge devices compared to older ML stacks.

Cons

  • −Earlier versions were noted to be 'rough around the edges' in terms of developer experience, though recent releases have focused on improvements.
  • −Limitations with torch.export, particularly concerning control flow, can necessitate significant graph reworking for complex models.
  • −While cross-platform, deep optimization for specific hardware might still require specialized knowledge or backend configurations.
  • −As a relatively newer solution compared to established frameworks like TensorFlow Lite or ONNX Runtime, its community support and third-party integrations might still be maturing.

Outils similaires

ExecuTorch vs Concurrents

ExecuTorch se distingue dans le paysage de l'IA sur appareil par son intégration profonde avec l'écosystème PyTorch, son runtime léger et son accent sur la portabilité et la performance pour les appareils edge.

1
TensorFlow LiteOn StorkCompare

Google's official lightweight framework for on-device machine learning inference, primarily for mobile and embedded devices.

Similar to ExecuTorch in its goal of efficient on-device inference for edge devices, but it is native to the TensorFlow ecosystem rather than PyTorch. Both are open-source and free, targeting resource-constrained environments.

2
ONNX RuntimeOn StorkCompare

A cross-platform inference engine that executes ONNX (Open Neural Network Exchange) models efficiently on various hardware and operating systems.

Unlike ExecuTorch which is PyTorch-centric, ONNX Runtime is framework-agnostic, supporting models converted to the ONNX format. Both are open-source, free, and aim for high-performance inference on edge devices.

3
Core ML↗

Apple's framework for integrating machine learning models into iOS, macOS, watchOS, and tvOS apps, optimized for Apple silicon.

Core ML is specifically designed for the Apple ecosystem, offering deep integration and optimization for Apple hardware, whereas ExecuTorch is cross-platform. Both provide on-device inference capabilities, but Core ML is proprietary and tied to Apple's platforms.

4
Apache TVMOn StorkCompare

An open-source deep learning compiler stack that optimizes models for efficient execution on diverse hardware backends, including CPUs, GPUs, and specialized accelerators.

TVM operates at a lower level as a compiler framework, providing more granular control over hardware-specific optimizations compared to ExecuTorch's higher-level PyTorch-native deployment platform. Both are open-source, free, and focus on efficient edge inference.

Visiter ExecuTorch↗
Contact
𝕏
X / Twittertwitter.com/pytorch
⌘
GitHubgithub.com/pytorch/executorch
in
LinkedInwww.linkedin.com/company/pytorch

AI Reputation Report

Is ExecuTorch yours?

ChatGPT, Perplexity, Gemini, Claude & Grok answer buyer questions about ExecuTorch every day. See whether they name ExecuTorch — or send buyers to a rival.

See what AI saysfree preview