裝置後端

CodefyUI 執行於 PyTorch 之上，因此繼承了 PyTorch 的裝置後端：CPU、NVIDIA CUDA、**Apple Silicon（MPS）**與 AMD ROCm（Linux）。關於安裝正確的 wheel，請參閱 GPU 與裝置設定；本頁說明裝置選擇在執行時的行為。

全域裝置選擇

單一全域 device 設定會驅動所有張量來源節點，因此你只需設定一次，而不必逐節點設定。後端會暴露 PyTorch 實際能看到的裝置（透過 device_utils.get_available_devices()），UI 則依該清單填入每個裝置下拉選單。被請求的裝置會與可用的裝置比對，若不存在則退回 CPU 並發出警告。

float64 + MPS 的限制

MPS 是 float32 原生的，會拒絕 float64 張量。CodefyUI 在 device_utils.to_device 中將其正規化，但如果你撰寫一個直接建立張量的自訂節點，請在 Apple GPU 上將它們維持為 float32，以避免執行時錯誤。

ROCm 呈現為 CUDA

在 AMD + Linux 上搭配 ROCm 版本的 PyTorch 時，torch.cuda.is_available() 會回傳 True，因為 ROCm 暴露了一個與 CUDA 相容的介面。該裝置在下拉選單中會顯示為 cuda；這是預期的行為。

實驗性：原生 MLX（spike）

有一個概念驗證 (proof-of-concept)，把一個小型 MLP 的前向推論從 PyTorch 移植到 Apple 的 MLX 框架，產生數值上完全相同的結果（最大絕對差約 1.9e-7）。重點如下：

• 真正圖引擎中的 Apple 加速是 PyTorch MPS，它已接好並完成端到端驗證。MLX 並非已交付的執行後端。

• MLX 是一個獨立的陣列框架，並非 PyTorch 後端——並沒有 torch.device("mlx")——所以它無法成為全域裝置選擇器（驅動 torch）中的一個值。

• 此 spike 僅供推論且為 float32，可臨時執行：

  uv pip install mlx        # Apple Silicon only
  python scripts/mlx_spike.py

• mlx 並非已納入的相依套件；主應用程式從不匯入它。只透過 device_utils.mlx_available()（偵測）與 spike 腳本來呈現它。

**建議：**將 MPS 維持為所有執行（訓練 + 推論）的 Apple 預設；把 MLX 當作選用的推論加速器，只在推論密集的教學示範上有可量測的效益時才回頭考慮。