Skip to content
Stork.AIstork.ai
Ferramenta de IA

Revisão do ExecuTorch

ExecuTorch é a solução unificada do PyTorch para implantar modelos de AI em dispositivos—de smartphones a microcontroladores—construída para privacidade, desempenho e portabilidade.

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

Por que importa

1ExecuTorch v1.3.1, lançado em 28 de maio de 2026, expandiu a cobertura de modelos e backends em alvos embarcados, móveis e GPU, incluindo Arm, Cortex-M e Qualcomm.
2A plataforma alcançou Disponibilidade Geral (GA) com ExecuTorch 1.0 em 22 de outubro de 2025, enfatizando a estabilidade para desenvolvedores de aplicativos móveis e embarcados.
3Ele alimenta bilhões de inferências diárias nos produtos da Meta, incluindo Instagram, WhatsApp, Quest 3 e Ray-Ban Meta Smart Glasses.
4ExecuTorch suporta a execução de Large Language Models (LLMs) como Llama 3.2 Quantized 1B/3B e Gemma 4 31B diretamente em dispositivos de borda.

Sobre o ExecuTorch

Plataformas
Android, iOS, Linux, macOS, Windows, Embedded systems
Público-alvo
Developers and researchers focused on AI deployment in edge devices.
API DocsGitHub

Especificações

Documentação API

Ver documentação →

API disponível

Sim, API pública

overview

O que é ExecuTorch?

ExecuTorch é uma plataforma de implantação de AI em dispositivos desenvolvida pela Meta que permite a desenvolvedores e engenheiros implantar modelos PyTorch em dispositivos. Facilita a inferência eficiente em vários fatores de forma de borda, incluindo dispositivos móveis, embarcados e outros dispositivos de borda, aproveitando o ecossistema PyTorch para a execução de modelos. A plataforma aborda desafios inerentes à AI em dispositivos, como hardware diverso, requisitos críticos de energia, conectividade de internet baixa ou inexistente e necessidades de processamento em tempo real. Foca em portabilidade, produtividade e desempenho em ambientes com recursos limitados onde a conectividade com a nuvem pode ser limitada ou impraticável devido a preocupações com latência, privacidade ou custo. ExecuTorch suporta a implantação de modelos quantizados e oferece capacidades para operação offline, integrando-se com o framework PyTorch mais amplo para aplicações de AI em dispositivos.

features

Principais Recursos do ExecuTorch

ExecuTorch oferece um conjunto abrangente de capacidades projetadas para a implantação eficiente e robusta de AI em dispositivos dentro do ecossistema PyTorch.

  • Plataforma de código aberto para implantação de AI.
  • Pronto para produção para implantar modelos PyTorch em dispositivos.
  • Inferência eficiente em fatores de forma móveis, embarcados e diversos de borda.
  • Facilita a implantação de modelos quantizados para ambientes com recursos limitados.
  • Suporta operação offline sem dependência da nuvem.
  • Garante portabilidade em diversas plataformas, incluindo Android, iOS, Linux, macOS, Windows e sistemas embarcados.
  • Desempenho otimizado com um runtime leve e aceleração de hardware.
  • Aumenta a produtividade do desenvolvedor usando ferramentas e fluxos de trabalho PyTorch familiares.
  • Integra-se com o ecossistema PyTorch mais amplo para execução de modelo de ponta a ponta.

use cases

Quem Deve Usar o ExecuTorch?

ExecuTorch é projetado principalmente para desenvolvedores e engenheiros que precisam implantar modelos de aprendizado de máquina diretamente em dispositivos de borda, priorizando desempenho, privacidade e capacidades offline.

  • Desenvolvedores que implantam modelos de AI PyTorch em dispositivos em uma ampla gama de dispositivos de borda (por exemplo, telefones celulares, headsets AR/VR, sistemas embarcados, microcontroladores, desktops, laptops).
  • Engenheiros que impulsionam recursos de AI em dispositivos em produtos e serviços como Instagram, WhatsApp, Quest 3 e Ray-Ban Meta Smart Glasses.
  • Equipes que permitem que AI generativa e assistentes baseados em LLM rodem diretamente em dispositivos, incluindo modelos como Llama 3.2 Quantized 1B/3B e Gemma 4 31B.
  • Profissionais que facilitam a visão computacional e o processamento de sensores na borda para aplicações de baixa latência e que preservam a privacidade.
  • Pesquisadores e desenvolvedores focados em inferência de AI em dispositivos móveis e otimização para sistemas embarcados.

how to use

Como Usar o ExecuTorch

A utilização do ExecuTorch envolve um fluxo de trabalho estruturado desde o desenvolvimento do modelo em PyTorch até a implantação otimizada em hardware de borda alvo.

  • 1Desenvolver e treinar um modelo PyTorch usando APIs PyTorch padrão.
  • 2Exportar o modelo PyTorch usando o compilador PyTorch 2 e as ferramentas de exportação do ExecuTorch.
  • 3Otimizar o modelo exportado para o dispositivo alvo, incluindo quantização para ambientes com recursos limitados.
  • 4Integrar o modelo ExecuTorch otimizado na aplicação alvo no dispositivo de borda.
  • 5Executar o modelo no dispositivo usando o runtime do ExecuTorch para inferência eficiente.
  • 6Utilizar ferramentas de desenvolvedor como o profiler ETDump e o inspetor ETRecord para depuração e análise de desempenho.

pricing

Preços e Planos do ExecuTorch

ExecuTorch é uma plataforma de código aberto desenvolvida pela Meta, tornando suas funcionalidades principais disponíveis sem custo direto.

  • Gratuito: Plataforma de código aberto, Implantação de AI pronta para produção, Inferência em dispositivo, Implantação de modelo quantizado, Operação offline.

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.

Ferramentas similares

ExecuTorch vs Concorrentes

ExecuTorch se distingue no cenário de AI em dispositivos por sua profunda integração com o ecossistema PyTorch, runtime leve e foco em portabilidade e desempenho para dispositivos de borda.

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.

Visitar ExecuTorch↗
Conectar
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