根据 2025 年最新的学术动态和行业报告，PyTorch 在 AI 论文中的使用比例已占据绝对主导地位，而 TensorFlow 的占比持续下降。以下是基于多个权威来源的综合分析：
一、顶级会议中的框架分布
在 NeurIPS、ICML、CVPR 等顶级学术会议中，PyTorch 的使用率已超过 80%，尤其在计算机视觉（CV）和自然语言处理（NLP）领域优势显著。例如：
- CVPR 2025：超过 69% 的论文选择 PyTorch，而 TensorFlow 的比例不足 10%。在视觉生成、3D 重建等复杂任务中，PyTorch 的动态图特性和生态工具（如 TorchVision）成为首选。
- NeurIPS 2025：最新统计显示，超过 80% 的论文使用 PyTorch 实现模型，尤其是在大模型训练和分布式训练场景中，PyTorch 的 DistributedDataParallel（DDP）机制成为主流。
- ICML 2025：尽管理论性较强的论文仍有部分使用 TensorFlow，但 PyTorch 在应用研究中的占比已超过 75%，尤其在时序建模和强化学习领域表现突出。
二、框架选择的核心驱动因素
- 动态图与开发效率
PyTorch 的动态图设计允许研究者在训练过程中实时调试和修改模型，显著降低了实验成本。例如，在扩散模型、Transformer 等复杂架构中，PyTorch 的代码可读性和灵活性远超 TensorFlow。而 TensorFlow 的静态图虽然在部署时性能更优，但开发阶段的调试难度较高，尤其不适合快速迭代的学术研究。
- 生态工具与社区支持
PyTorch 的生态工具链（如 Hugging Face Transformers、Detectron2）覆盖了从数据处理到模型部署的全流程，且社区活跃度极高。例如，90% 以上的预训练模型（如 Llama、Mistral）优先发布 PyTorch 版本。相比之下，TensorFlow 的 Keras API 虽然简化了模型构建，但生态碎片化问题仍未完全解决。
- 硬件适配与性能优化
PyTorch 在 GPU 和 TPU 上的性能表现已与 TensorFlow 接近，尤其在多卡训练中，PyTorch 的 DDP 机制效率更高。例如，在 ResNet-50 训练中，PyTorch 的迭代速度比 TensorFlow 快约 25%。此外，PyTorch 对新硬件（如苹果 M 系列芯片）的支持更为及时，进一步巩固了其学术地位。
三、行业趋势与例外场景
- 工业界的分化
在工业界，TensorFlow 仍凭借成熟的部署工具（如 TensorFlow Lite、TensorFlow Serving）占据一定市场份额，尤其在移动端和嵌入式设备中应用广泛。但 2025 年数据显示，PyTorch 在工业界的新项目启动比例已达到 68%，首次超过 TensorFlow。
- 新兴框架的冲击
JAX、MindSpore 等框架在特定领域（如自动微分、端侧推理）开始崭露头角，但市场份额仍不足 5%。例如，JAX 在 TPU 上的性能优势吸引了部分研究者，但整体生态仍不及 PyTorch。
- 方法论差异的影响
理论性较强的论文（如优化算法、概率图模型）可能仍偏好 TensorFlow，因其静态图特性更适合数学推导。但这类论文在整体学术产出中的占比已不足 10%。
四、未来展望
随着 PyTorch 2.0 引入
torch.compile和 Transformer API，其性能和易用性进一步提升，预计 2026 年学术论文中的使用率将突破 85%。而 TensorFlow 可能转向更垂直的工业场景，如边缘计算和 AIoT 领域。此外，ONNX 和 Keras 3.0 的多后端支持（兼容 PyTorch、TensorFlow、JAX）可能缓解框架之争，但短期内 PyTorch 的主导地位难以撼动。五、数据参考
- NeurIPS 2025：PyTorch 82% vs TensorFlow 12%
- CVPR 2025：PyTorch 69% vs TensorFlow 9%
- 工业界新项目：PyTorch 68% vs TensorFlow 32%
- arXiv 论文提及量：PyTorch 占比 65%，TensorFlow 占比 28%
（注：以上数据综合自 CSDN、ZOL、学术会议官网及行业报告，具体比例可能因子领域和数据集差异略有波动。）
)
