TorchCurves 发布：把参数化曲线变成 PyTorch 可学习单元
TorchCurves: Differentiable Parametric Curves
如果你在玩 KAN 或者函数回归，这个库挺有意思：曲线参数可以直接放进训练循环里一起优化，不用自己写 B 样条求值。作者还拿 EfficientKAN 做了性能对比，什么时候开销大会吃亏都说清楚了，写 PyTorch 自定义层的可以参考实现思路。
arXiv 论文（编号 2611.14516）发布了 TorchCurves，一个开源 PyTorch 库，把向量值参数化曲线作为可学习的基本单元。核心操作将成批标量输入映射到 B 样条或 Legendre 多项式基表示的曲线上的点，支持对输入和系数同时求导。曲线系数既可以与外层模型联合优化，也可以由另一个神经网络生成。
库内提供可训练模块、可复用的基函数模块和函数式接口，应用场景覆盖连续特征嵌入、Kolmogorov-Arnold 网络（KAN）和函数回归。实现上把经典曲线求值算法与向量化 PyTorch 操作结合，不依赖自定义硬件内核，强调代码可读性与可维护性。
作者用计时实验对比了曲线求值与 NumPy、SciPy 的表现，并将 KAN 训练与 EfficientKAN 在多个问题规模下比较，指出了这种通用设计在哪些规模下计算开销仍然可接受、哪些场景开销明显。代码已在 GitHub（alexshtf/torchcurves）开源。
TorchCurves: Differentiable Parametric Curves
We present TorchCurves, a PyTorch library that treats vector-valued parametric curves as learnable primitives. Its central operation maps batches of scalar inputs to points on curves represented in B-spline or Legendre polynomial bases, with differentiation through both inputs and coefficients. Curve coefficients can be optimized jointly with the surrounding model or produced by another network. The library provides trainable modules, reusable basis modules, and a functional interface, supporting applications ranging from continuous feature embeddings to Kolmogorov-Arnold networks and functional regression. Its implementation combines classical evaluation algorithms with vectorized PyTorch operations, emphasizing readability and maintainability without custom hardware kernels. Timing experiments compare curve evaluation against NumPy and SciPy and KAN training against EfficientKAN across a range of problem sizes. The results illustrate where this generality remains computationally practical and where overhead is substantial. Library is available on GitHub at https://github.com/alexshtf/torchcurves.
本条情报归属 AITOP「论文」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」「中美大模型技术代差与商业化对照」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：PyTorch、TorchCurves、KAN、B样条，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「arXiv cs.LG」（@Alex Shtoff），经 AITOP 多维评分管线结构化提炼。
