## PR 主要改动总结 **核心改动：** 此 PR 从 `onnxruntime-foundry-nuget` 包中移除了 WebGPU 组件，仅修改了 Azure Pipelines 的自定义 NuGet 打包配置文件。 **解决的问题：** 为 Foundry Local 提供支持，使其能够将 WebGPU 作为插件式执行提供程序（plugin-ep）独立下载和安装，而不是捆绑在主 NuGet 包中。 **对 WebGPU 支持的影响：** 这是一个打包策略调整，WebGPU 功能从内置组件变为可选插件，提高了部署灵活性，允许用户按需加载 WebGPU 支持，减小核心包体积。 **技术要点：** 改动非常轻量（仅 4 行代码变更），采用模块化架构设计，将执行提供程序与核心运行时解耦，符合插件化扩展模式。
## PR 主要改动总结 ### 核心改动 这是一次代码清理工作，将 `OpKernel` 类中的两个虚方法 `UseSharedPrePackedBuffers` (V1) 和 `UseSharedPrePackedBuffers_V2` 合并为单一方法，采用 V2 的签名（包含 4 个参数，新增了 `prepacked_buffer_sizes` 参数）。 ### 解决的问题 消除了历史遗留的方法冗余。V2 原本是为了传递预打包权重缓冲区的大小信息而引入，但保留了 V1 用于向后兼容。此次统一了接口，删除了 V1 及其默认转发逻辑，解决了 `op_kernel.h` 中的 TODO 注释。 ### 影响范围 涉及 27 个文件的修改，主要更新了各个算子（如 MatMul、Conv、Attention、量化相关算子等）的实现，将方法签名统一为新的 4 参数版本。这是纯代码重构，不影响功能行为，对 WebGPU 或其他 EP 的运行时逻辑无实质性影响。 ### 技术要点 使用 `gsl::span<const size_t>` 传递缓冲区大小信息，提供了更安全的数组视图接口，同时保持了 API 的简洁性和一致性。
## PR 主要改动总结 **核心功能：** 此 PR 为 ONNX Runtime 的 WebGPU 执行提供程序添加了 Conv3D（三维卷积）操作支持。 **主要改动：** 1. 新增 `Conv3DNaiveProgram` 类实现了基于 WebGPU 的逐元素 Conv3D 着色器，支持"channels last"和"channels first"两种数据布局，并可选支持 bias 和 activation 2. 更新了主卷积逻辑以检测 5D 张量并构建相应的 3D 卷积着色器程序，传递空间/步长/膨胀等参数作为 uniform 3. 启用了 Conv3D 相关测试用例，但暂不支持分组 Conv3D（Grouped Conv3D） **技术影响：** 这是 WebGPU 后端对 3D 卷积算子的首次支持，扩展了 ONNX Runtime 在 WebGPU 平台上处理三维数据（如视频、医学影像等）的能力，但当前实现采用朴素算法，性能优化空间较大。
## PR 主要改动总结 ### 1. 主要功能 这是一个代码现代化重构 PR，在 ONNX Runtime 升级到 C++20 后，对 WebGPU EP (Execution Provider) 的代码进行全面的 C++20 惯用法改造，涉及 19 个文件，净删除 3 行代码。 ### 2. 核心改进 - **C++20 语法现代化**：采用 `contains()` 替代 `find() != end()`，使用 `requires` 子句替代 SFINAE，应用 `std::erase_if` 等现代习语，提升代码可读性和简洁性 - **严格别名问题修复**：移除了 3 处编译器警告抑制指令，通过正确使用 `static_cast` 和基于值的操作替代危险的引用类型转换，解决潜在的未定义行为 ### 3. 技术要点 重点修复了 `program.h`、`shader_variable.h` 等核心文件中的类型双关 (type punning) 问题，将不安全的 C 风格引用转换改为类型安全的实现，同时新增了单元测试文件 `program_test.cc` 确保重构正确性。 ### 4. 影响评估 纯代码质量提升，不改变功能行为，提高了 WebGPU 后端的代码健壮性和可维护性，为后续开发奠定更好的基础。
## PR 主要改动总结 **核心功能：** 为 ONNX Runtime 的 WebGPU 后端添加了 `LinearAttention` 和 `CausalConvWithState` 两个算子的支持，这是基于 ONNX 提案实现的贡献算子。 **解决的问题：** 使 Qwen3.5 系列模型能够在 WebGPU 上高效运行，提供了 fp16 和 q4 量化版本的参考实现。这两个算子是新型注意力机制的关键组件，对提升模型推理性能至关重要。 **技术要点：** - 新增了完整的算子实现（~771 行核心代码）和单元测试（~1393 行测试代码） - 同时补充了相关的 RMS Norm、Rotary Embedding、Attention 等 LLM 基础算子的 WebGPU 实现 - 涉及 Reshape、Concat 等现有算子的优化调整，确保算子间的协同工作 **影响：** 这是 WebGPU 支持现代 LLM 架构的重要里程碑，使浏览器端能够原生运行 Qwen3.5 等新一代高效语言模型。
## PR 改动总结 **主要功能：** 为 ONNX Runtime 的 WebGPU 执行提供程序添加了 LSTM（长短期记忆网络）算子的完整支持，新增了约 666 行代码实现 LSTM 的 GPU 加速计算。 **解决的问题：** 填补了 WebGPU 后端对循环神经网络（RNN）中核心算子 LSTM 的支持空白，使得包含 LSTM 层的模型能够在 WebGPU 环境中运行，扩展了 WebGPU 后端对序列建模任务的支持能力。 **对 WebGPU 的影响：** 显著增强了 WebGPU 执行提供程序对深度学习模型的覆盖范围，特别是自然语言处理、时间序列预测等需要 LSTM 的场景，提升了浏览器端运行复杂 RNN 模型的能力。 **技术要点：** 实现包含独立的 LSTM 头文件和实现文件（lstm.h/cc），并在 WebGPU 执行提供程序中注册该算子，涉及 LSTM 特有的门控机制、隐藏状态管理和 GPU 计算着色器的适配。
## PR 主要改动总结 **核心功能：** 为 ONNX Runtime 的 WebGPU 执行提供器添加了 LpNorm（Lp范数）算子的支持，新增了完整的实现文件和头文件。 **解决问题：** 补充了 WebGPU 后端对 LpNorm 算子的支持，使得使用该算子的模型可以在 WebGPU 环境下运行，增强了 WebGPU 执行提供器的算子覆盖率。 **技术实现：** 新增代码约182行，包括算子的 GPU 实现逻辑（lp_norm.cc）和接口定义（lp_norm.h），并在 WebGPU 执行提供器中注册了该算子。 **影响范围：** 这是一个纯新增特性，不影响现有功能，进一步完善了 ONNX Runtime 在 Web 端的深度学习推理能力。
## PR 主要改动总结 **核心功能：** 此 PR 为 ONNX Runtime 的 WebGPU Execution Provider (EP) 插件建立了完整的 CI/CD 打包流水线，支持 Windows (x64/arm64)、Linux (x64) 和 macOS (arm64) 四个平台的自动化构建和打包。 **解决的问题：** 通过新增 Azure Pipelines 配置文件和构建脚本，实现了 WebGPU 插件的跨平台自动化编译、打包和发布流程。主要包括主流水线文件 (`plugin-webgpu-pipeline.yml`)、各平台的构建阶段模板 (stage.yml)、以及构建变量设置模板，支持参数化配置 API 版本、包版本和构建类型。 **技术要点：** 采用模块化的流水线设计，每个平台有独立的 stage 模板文件；新增了 Linux 平台的构建脚本 (`build_webgpu_plugin_package.sh`)；对 CMake 配置和分配器头文件进行了小幅调整以支持插件架构。整体改动以基础设施代码为主 (858 行新增)，为 WebGPU EP 的插件化分发奠定了自动化基础。
## PR 主要改动总结 ### 核心功能 为 ONNX Runtime 的 WebGPU 后端新增了三个缺失的算子实现：**SpaceToDepth**、**ConstantOfShape** 和 **Compress**，共新增约 607 行代码。 ### 解决的问题 在优化 lfm2-vl 视觉模型时发现这些算子缺失导致推理过程中产生大量 **CPU 与 GPU 之间的数据拷贝**，严重影响性能。实现这些算子后，模型（特别是视觉编码器部分）的推理速度显著提升。 ### 技术实现 - 为每个算子分别创建了独立的头文件和实现文件（.h/.cc） - 在 `webgpu_execution_provider.cc` 中注册了新算子 - PR 开发主要借助 Claude Opus 4.6 生成，但经过人工审查、修正和测试验证 ### 影响意义 消除了 WebGPU 后端的关键算子空白，减少了推理时的 CPU-GPU 数据传输开销，增强了 WebGPU 在视觉模型上的实用性和性能表现。
## ONNX Runtime WebGPU MultiHeadAttention 修复总结 **主要改动：** 修复了 WebGPU 后端中 MultiHeadAttention 算子的 flash attention 路径在处理 past KV 缓存时的错误逻辑。当 `present_key/present_value` 输出未被请求时，flash attention 路径错误地仍然使用了 `past_key/past_value` 输入，而非 flash 路径则正确地忽略了这些输入。 **解决的问题：** 修复了在支持 subgroup 的 GPU 上（会选择 flash attention 路径）产生错误结果的问题。通过在 `ApplyFlashAttention` 中添加与 `ApplyAttention` 相同的检查逻辑：当 present 输出都为空时，将 past 输入置空并相应调整序列长度参数。 **技术要点：** 将函数参数签名从 const 引用改为按值传递，以允许在函数内部调整 past_key/past_value 和相关序列长度参数，确保两种 attention 实现路径的行为一致性。