Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
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++.
Une seule commande doit suffire pour installer le nouvel environnement Python : pip install cuda-python cuda-cccl numba-cuda-mlir[cu13]. Nvidia publie CUDA Python 1.0 avec CUDA 13.3 et positionne cette interface au même niveau que 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.
Le cœur du système s’appelle cuda.core. Il fournit aux programmes Python des objets correspondant aux appareils CUDA, aux streams — autrement dit, des flux d’exécution — et à la mémoire. Les développeurs peuvent ainsi écrire leurs propres kernels, de petits programmes dédiés aux calculs parallèles, ou optimiser des applications existantes.
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.
Le paquet regroupe plusieurs composants : cuda.compute fournit des algorithmes parallèles comme le tri, la recherche et les histogrammes, tandis que cuda.bindings relie directement Python à toutes les interfaces C. cuda-pathfinder détecte les composants CUDA installés et nvmath-python apporte des bibliothèques mathématiques à Python. Selon Nvidia, les paquets jusque-là utilisés comme PyTorch, CuPy ou RAPIDS pourraient ainsi devenir inutiles.
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.
D’après Nvidia, la différence technique réside dans le modèle d’objet commun. Plusieurs composants et applications accèdent aux mêmes objets CUDA sous-jacents, qui peuvent ainsi être gérés au-delà des frontières entre bibliothèques. Cela doit également s’appliquer aux Green Contexts, c’est-à-dire aux kernels bénéficiant d’avantages particuliers en matière de latence.
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.
Et ensuite ? Selon Nvidia, les développeurs Python disposent d’un accès plus direct à CUDA, sans devoir impérativement utiliser des bibliothèques intermédiaires supplémentaires pour accéder aux fonctions C++. Nvidia promet pour cela une API stable, reposant sur une gestion sémantique des versions : les changements incompatibles ne devraient apparaître que dans les versions majeures, tandis que les fonctions seront supprimées selon des règles prévisibles. L’utilisation de l’environnement publié devra montrer si cette uniformisation promise remplace effectivement les bibliothèques existantes au quotidien.