Hugging Face e AWS facilitam uso de modelos de IA em chips Trainium
Nova integração nativa permite rodar modelos populares do Hugging Face nos processadores da Amazon sem precisar reescrever código ou usar bibliotecas especiais
A Hugging Face lançou o TorchNeuron (um plugin que adiciona suporte ao chip Trainium da AWS dentro do PyTorch), permitindo que modelos rodem diretamente nos processadores da Amazon sem precisar de código adaptado. Agora 89% das arquiteturas mais usadas funcionam no Trainium, quase o dobro de antes, usando as mesmas ferramentas de qualquer GPU.
A Hugging Face (plataforma onde desenvolvedores compartilham e baixam modelos de IA já treinados) anunciou uma parceria com a Amazon Web Services que facilita muito o uso de seus modelos nos chips Trainium — processadores desenhados pela AWS especificamente para treinar modelos de inteligência artificial gastando menos do que com GPUs tradicionais. A mudança, que entra em beta público a partir de 20 de outubro de 2026, permite que bibliotecas populares como Transformers, Diffusers e TRL rodem diretamente no Trainium sem precisar de código adaptado.
Até agora, quem quisesse usar o Trainium precisava passar pela biblioteca Optimum Neuron, que funcionava como uma camada intermediária cheia de restrições técnicas: só aceitava formas de dados fixas, recompilava o código a cada pequena mudança e exigia que desenvolvedores pensassem como um compilador em vez de programar normalmente. A nova solução, chamada TorchNeuron (um plugin que adiciona suporte ao Trainium dentro do próprio PyTorch, o framework de IA mais usado no mundo), elimina essas limitações e trata o Trainium como qualquer outro processador — você só precisa adicionar o argumento device_map=neuron no código.
Na prática, isso significa que 89% das cem arquiteturas de modelos de geração de texto mais usadas agora funcionam no Trainium sem ajustes, quase o dobro dos 46% que funcionavam antes. Para treinar modelos, scripts padrão de fine-tuning (ajuste fino, quando você pega um modelo já pronto e o treina com dados específicos) rodam direto no Trainium usando as mesmas ferramentas que você usaria em qualquer outra GPU, sem precisar de versões especiais do código nem configurações complicadas de paralelismo.
Segundo informou a Hugging Face em seu blog oficial, a empresa agora recomenda que usuários de Trainium deixem de usar a Optimum Neuron e passem a trabalhar diretamente com as bibliotecas principais. A mudança é possível porque o TorchNeuron integra o Trainium ao PyTorch de forma nativa, expondo o chip como um dispositivo comum e permitindo execução imediata de comandos (eager execution, o jeito mais natural de programar) e suporte às ferramentas nativas de distribuição de modelos grandes entre vários processadores, como FSDP (Fully Sharded Data Parallel, técnica que divide um modelo enorme em pedaços para caber na memória de vários chips ao mesmo tempo).
