我太懂你这种憋屈感了——明明M2带了16核GPU，结果AutoGluon揪着CPU死磕，微调Mitra快一周都没个头，关了fine_tune反而秒完，这搁谁都闹心。结合你遇到的MPS激活无效、pin_memory警告这些问题，给你捋几个实操的解决步骤，亲测适配M2环境：

第一步：先把PyTorch的MPS基础环境打扎实 #

AutoGluon的底层依赖PyTorch，所以得先确保PyTorch能正确识别M2的MPS。先打开Python终端跑这两行验证：

import torch
print(torch.backends.mps.is_available())  # 正常应该返回True
print(torch.backends.mps.is_built())       # 也得是True

要是返回False，说明你的PyTorch版本不对，得重装适配Apple Silicon的最新稳定版：

pip3 install --upgrade torch torchvision torchaudio

装完再重新验证，直到两个返回都是True为止。

第二步：强制AutoGluon把Mitra绑到MPS上 #

很多时候AutoGluon不会自动检测MPS，得手动在训练时指定设备。比如你用TextPredictor训练的话，在fit的超参数里明确指定MPS：

from autogluon.text import TextPredictor

predictor = TextPredictor(label='你的标签列名')
predictor.fit(
    train_data='你的训练数据.csv',
    hyperparameters={
        'model.mitra.fine_tune': True,
        'model.mitra.device': 'mps'  # 硬指定用MPS GPU
    },
    time_limit=3600  # 可以先设个时间限制快速测试效果
)

这样AutoGluon就不会傻乎乎跑CPU了，直接调用M2的GPU核。

第三步：解决那个烦人的pin_memory警告 #

MPS目前确实不支持pin_memory，你直接在超参数里把这个开关关掉就行，还能避免不必要的性能损耗：

hyperparameters={
    'model.mitra.fine_tune': True,
    'model.mitra.device': 'mps',
    'model.mitra.loader.pin_memory': False  # 关闭pin_memory适配MPS
}

第四步：加个保险——开启MPS fallback #

有些PyTorch操作MPS还没完全支持，强行跑可能会报错。你可以提前设置环境变量，让不支持的操作自动 fallback到CPU，同时保证大部分计算用GPU：

import os
os.environ['PYTORCH_ENABLE_MPS_FALLBACK'] = '1'

或者在启动脚本前先执行：

export PYTORCH_ENABLE_MPS_FALLBACK=1

最后：验证GPU真的在干活 #

训练的时候打开「活动监视器」，切换到「GPU」标签，要是看到「Python」进程的GPU使用率上来了，就说明真的用上M2的GPU了。要是还是没动静，记得把AutoGluon也更到最新版：

pip install --upgrade autogluon

另外提个小细节：M2的统一内存有限，要是你的batch size设太大，可能会触发显存不足，自动掉到CPU。如果训练时还是慢，可以试着把model.mitra.batch_size调小一点（比如从默认的16改成8），说不定就能稳住GPU使用率了。