作者：默思編輯部 發布：2026-07-27
ONNX（Open Neural Network Exchange）是一套跨框架的機器學習模型交換格式，讓開發者能在PyTorch、TensorFlow等不同訓練框架之間，共享與部署同一個模型，而不需要為每個框架重新訓練或轉換一次，是機器學習部署流程裡重要的標準化基礎設施之一。
這次釋出的1.22.0版，主要新增三項能力：一是新增針對生成式AI設計的原生注意力（attention）運算元，讓Transformer架構這類生成式模型的核心運算，能在ONNX格式裡有更直接、更有效率的原生表達方式，不需要拆解成多個較低層級的運算元組合模擬；二是新增WebAssembly（WASM）支援，讓開發者能在瀏覽器內直接驗證模型的正確性，不需要另外架設伺服器端環境進行測試；三是強化供應鏈安全，納入SLSA（Supply-chain Levels for Software Artifacts）Level 2等級的溯源證明機制，並在發布產物中內嵌軟體物料清單（Software Bill of Materials, SBOM）。
近年軟體供應鏈攻擊事件頻傳（惡意套件偽裝成正常相依套件、篡改建置流程植入後門），機器學習模型與相關工具鏈同樣面臨這類風險——如果一個被廣泛使用的模型格式或推論引擎遭到供應鏈攻擊，影響範圍可能擴及所有下游採用這套工具鏈的AI應用。SLSA溯源證明機制，讓使用者能驗證下載到的ONNX發布產物，確實是從官方認證的建置流程產出，而不是遭到竄改的偽造版本；內嵌SBOM則讓使用者清楚掌握這個發布產物裡包含哪些相依套件版本，方便在對應套件被爆出漏洞時，快速確認自己是否受影響。
生成式AI模型的核心運算大量仰賴注意力機制，過去在ONNX裡如果沒有原生支援，這類運算需要拆解成多個基礎運算元的組合來模擬，效率上有一定損耗。新增原生運算元後，推論引擎能針對這個運算模式做更深度的最適化，理論上能帶來推論速度與記憶體使用效率上的實際提升，對部署大型生成式模型的團隊來說，是直接影響服務成本與回應速度的技術改進。
如果你的專案有使用ONNX作為模型部署的中介格式，這次更新涵蓋的供應鏈安全機制與生成式AI原生支援，都值得排入升級評估清單，尤其是需要在瀏覽器端直接驗證模型的應用場景，WASM支援能大幅簡化開發與測試流程。
如果你想建立起機器學習模型部署所需要的程式設計基礎，歡迎參考我們平台的課程：Python課程