Both versions are aligned block by block, in reading order: title, the essentials, then paragraph by paragraph. Where the translation merged or split a paragraph, the matching cell stays empty — we never pair two passages by guesswork.
Ein einziger Befehl soll die neue Python-Umgebung installieren: pip install cuda-python cuda-cccl numba-cuda-mlir[cu13]. Nvidia veröffentlicht CUDA Python 1.0 zusammen mit CUDA 13.3 und positioniert die Schnittstelle auf derselben Ebene wie C++.
A single command is supposed to install the new Python environment: pip install cuda-python cuda-cccl numba-cuda-mlir[cu13]. Nvidia is releasing CUDA Python 1.0 alongside CUDA 13.3 and positioning the interface at the same level as C++.
Der Kern heißt cuda.core. Er stellt Python-Programmen Objekte für CUDA-Geräte, Streams — also Ausführungsströme — und Speicher bereit. Damit können Entwickler eigene Kernel, kleine Programme für parallele Berechnungen, schreiben oder bestehende Anwendungen optimieren.
The core is called cuda.core. It provides Python programs with objects for CUDA devices, streams — execution flows — and memory. This allows developers to write their own kernels, small programs for parallel computations, or optimize existing applications.
Das Paket bündelt mehrere Bausteine: cuda.compute liefert parallele Algorithmen wie Sortieren, Suchen und Histogramme, cuda.bindings verbindet Python direkt mit allen C-Schnittstellen. cuda-pathfinder findet installierte CUDA-Komponenten, nvmath-python bringt Mathematikbibliotheken nach Python. Nach Aussage von Nvidia könnten damit bisher verwendete Pakete wie PyTorch, CuPy oder RAPIDS überflüssig werden.
The package bundles several components: cuda.compute provides parallel algorithms such as sorting, searching and histograms, while cuda.bindings connects Python directly to all C interfaces. cuda-pathfinder locates installed CUDA components, and nvmath-python brings mathematical libraries to Python. According to Nvidia, this could make previously used packages such as PyTorch, CuPy and RAPIDS unnecessary.
Der technische Unterschied liegt laut Nvidia im gemeinsamen Objektmodell. Mehrere Komponenten und Anwendungen greifen auf dieselben zugrunde liegenden CUDA-Objekte zu, die dadurch über Bibliotheksgrenzen hinweg verwaltet werden können. Das soll auch für Green Contexts gelten, also für Kernel mit besonderen Latenzvorteilen.
According to Nvidia, the technical difference lies in the shared object model. Several components and applications access the same underlying CUDA objects, which can therefore be managed across library boundaries. This is also supposed to apply to Green Contexts, meaning kernels with particular latency advantages.
Und dann? Nach Darstellung von Nvidia erhalten Python-Entwickler einen direkteren Weg zu CUDA, ohne für den Zugriff auf die C++-Funktionen zwingend zusätzliche Vermittlungsbibliotheken einsetzen zu müssen. Nvidia verspricht dafür eine stabile API mit semantischer Versionierung: Inkompatible Änderungen sollen nur in Hauptversionen erscheinen, während Funktionen nach vorhersehbaren Regeln entfernt werden. Ob die versprochene Vereinheitlichung im Alltag tatsächlich die bisherigen Bibliotheken ersetzt, muss die Nutzung der veröffentlichten Umgebung zeigen.
What happens next? According to Nvidia, Python developers get a more direct route to CUDA without necessarily having to use additional intermediary libraries to access the C++ functions. Nvidia promises a stable API with semantic versioning: incompatible changes are supposed to appear only in major versions, while functions will be removed according to predictable rules. Whether the promised unification will actually replace the existing libraries in day-to-day use will depend on adoption of the released environment.