内测
EN 开始→
内测期间：充值额外赠送 30% credits，订阅额外赠送 50%–70%。有任何反馈，欢迎到支持页提交。

实测结果

19 个开源项目，
每个数字都能复核

我们把 AutoOptm 指向这些公开的 PyTorch / Python 仓库，和对待任何一个用户提交一样：运行的是项目自己的命令（纯库项目没有入口命令，就用一段调用其公开 API 的基准脚本），端到端计时，优化前后的输出逐项比对。下面是全部结果，加速大的、小的都在。

19个公开仓库
2.68×加速比中位数
1.18–23.41×范围
20 / 20项测量，输出均经校验
23.41×
CPU 数据处理主机噪声 0.3%

计时单位：对一个 55 万行的 CSV 跑一次 csvstat（端到端）

command
$ python csvkit/utilities/csvstat.py big.csv

逐位一致：每一项统计值都与原版 csvkit 相同

14.65×
CPU 数据处理主机噪声 0.6%

计时单位：一张随机图跑完六项分析（介数中心性、PageRank、聚类系数等）
纯库项目，没有入口命令：计时的是一段调用其公开 API 的基准脚本。

benchmark script
$ python ao_bench.py

10 张校验图上每个输出字段完全一致

9.16×
CPU 数据处理主机噪声 11.4%

计时单位：一周气候数据的汇总链（coarsen → rolling → groupby_bins → 距平 → 日最大值 → 写 NetCDF）
纯库项目，没有入口命令：计时的是一段调用其公开 API 的基准脚本。

benchmark script
$ python ao_bench.py

统计量与原链路的绝对误差在 1.1e-5 以内

7.59×
NVIDIA GPU 推理主机噪声 0.9%

计时单位：一张测试图：JPEG 解码 → 变换 → 生成器 → 写出 PNG

command
$ python test.py --dataroot datasets/horse2zebra/testA --name horse2zebra_pretrained --model test --no_dropout

最差像素相差 2 个 uint8 级（PSNR 64.9 dB），小于原程序两次运行之间的差异

7.48×
NVIDIA GPU 推理主机噪声 1.1%

计时单位：生成一个样本（200 个 token，pythia-410m，bf16）

command
$ python litgpt/__main__.py generate checkpoints/EleutherAI/pythia-410m --max_new_tokens 200 --num_samples 8

逐位一致：与冻结的 bf16 参考输出最大绝对误差为 0

statsforecast

Nixtla/statsforecast ↗
5.24×
CPU 数据处理主机噪声 1.1%

计时单位：一批时间序列的拟合与预测
纯库项目，没有入口命令：计时的是一段调用其公开 API 的基准脚本。

benchmark script
$ python ao_bench.py

预测结果逐位一致

4.58×
RTX 4090 推理主机噪声 2.5%

计时单位：端到端合成一句话（音素化 → Tacotron2-DDC → 声码器 → 波形）

command
$ python TTS/bin/synthesize.py --text "The quick brown fox jumps over the lazy dog, again and again." --model_name tts_models/en/ljspeech/tacotron2-DDC --out_path out.wav --use_cuda

波形逐位一致（PSNR 124 dB）

3.35×
NVIDIA GPU 推理主机噪声 0.8%

计时单位：一张输入图：解码 → 4 倍 RRDBNet（fp16）→ 后处理 → 编码写盘

command
$ python inference_realesrgan.py -n RealESRGAN_x4plus -i inputs

与原输出相比 PSNR 59.8 dB，误差不到一个 8 位码值

sentence-transformers

UKPLab/sentence-transformers ↗
3.03×
RTX 4090 推理主机噪声 3.2%

计时单位：一次 encode() 请求（一组文本 → 单位范数向量）

command
$ python examples/sentence_transformer/applications/computing-embeddings/computing_embeddings.py

与 fp32 输出的余弦相似度 0.99999

2.68×
CPU 数据处理主机噪声 6.9%

计时单位：官方 10 分钟教程的预告片，端到端渲染一帧（解码 → 特效 → 合成 → ffmpeg 编码）

command
$ python docs/_static/code/getting_started/moviepy_10_minutes/trailer.py

像素差异不超过 1 个码值（PSNR 51.7 dB）

yolov5 · detect

ultralytics/yolov5 ↗
2.62×
RTX 4090 推理主机噪声 0.9%

计时单位：detect.py 处理一张图：读取 → letterbox → yolov5s 前向 → NMS → 写出标注图

command
$ python detect.py --source data/images --weights yolov5s.pt

逐位一致

2.25×
RTX 4090 推理主机噪声 1.7%

计时单位：一段流式音频走完服务端路径（新客户端 → 分段 → 回收）
纯库项目，没有入口命令：计时的是一段调用其公开 API 的基准脚本。

benchmark script
$ python ao_bench.py

转写文本逐位一致

1.86×
RTX 4090 推理主机噪声 2.1%

计时单位：一段视频用 detect-adaptive 端到端打分（解码 → 逐帧评分 → 切点判定 → 场景列表）

command
$ python scenedetect/__main__.py -i demo.mp4 detect-adaptive list-scenes -n

评分逐位一致，切点列表与原版相同

1.84×
RTX 4090 推理主机噪声 4.0%

计时单位：一张图加一条提示词走完官方推理脚本（SwinT 主干、BERT、可变形解码器 → 检测框）

command
$ python demo/inference_on_a_image.py -c groundingdino/config/GroundingDINO_SwinT_OGC.py -p weights/groundingdino_swint_ogc.pth -i .asset/cat_dog.jpeg -o out -t "cat ear."

检测框位移小于 0.1 像素

1.63×
RTX 4090 推理主机噪声 2.0%

计时单位：一段短视频 2 倍插帧：解码 → SSIM 检查 → IFNet → 编码

command
$ python inference_video.py --video=demo.mp4 --exp=1

最差像素相差 1 个码值（PSNR 57.7 dB）

1.41×
RTX 4090 训练主机噪声 0.2%

计时单位：train.py 的一次训练迭代（shakespeare_char）

command
$ python train.py config/train_shakespeare_char.py --compile=False --max_iters=400 --eval_interval=200 --log_interval=10

loss 轨迹相对误差 8e-5 以内，梯度余弦 ≥ 0.99999

1.35×
RTX 5090 训练主机噪声 0.4%

计时单位：VibeVoice-ASR 在示例数据集上的一步 LoRA 微调（解码 → 分词 → 组 batch → 前向/反向）

command
$ python finetuning-asr/lora_finetune.py --model_path microsoft/VibeVoice-ASR --data_dir finetuning-asr/toy_dataset --output_dir out --num_train_epochs 3 --per_device_train_batch_size 1 --learning_rate 1e-4 --bf16 --report_to none

loss 相对误差 6.5e-2 以内，梯度余弦 0.885；提供恢复原路径的开关，由使用者取舍

yolov5 · train

ultralytics/yolov5 ↗
1.24×
RTX 4090 训练主机噪声 2.0%

计时单位：train.py 的一个训练步（16 张 coco128 图：H2D → fp16 前向 → loss → 反向 → 优化器）

command
$ python train.py --data coco128.yaml --weights yolov5s.pt --img 640 --epochs 3 --batch-size 16

loss 相对误差 2e-3 以内，梯度余弦 ≥ 0.996

1.19×
RTX 4090 推理主机噪声 8.4%

计时单位：转写一个音频文件（--model small，float16，不做对齐）

command
$ python whisperx/__main__.py audio.wav --model small --compute_type float16 --no_align --output_dir out

特征与原实现相差不超过 0.016

1.18×
RTX 4090 训练主机噪声 2.3%

计时单位：一条序列走完：TimeSeries → Scaler → 构建 NBEATSModel → 训练 3 轮 → 预测
纯库项目，没有入口命令：计时的是一段调用其公开 API 的基准脚本。

benchmark script
$ python ao_bench.py

loss 相对误差 2e-3 以内，MAPE 不变

这些数字怎么来的

同一条命令，同一份输入，输出不变

01
端到端计时

计的是项目自己那条命令跑完一个工作单位的墙钟时间，包括数据读取、预处理和写盘，不是只测模型的前向。

02
基线先冻结

优化开始前先固定输入集、生成参考输出、测出主机噪声。之后每个改动都和这份冻结的基线比，多次采样取中位数。

03
输出逐项校验

推理类项目比对输出本身（逐位一致、PSNR 或余弦相似度），训练类项目比对 loss 轨迹和梯度。超出容差的改动直接回滚，不计入结果。

04
命令不变

交付的是一个标准补丁：同一个文件、同样的参数、同样的输出，优化默认开启，每处改动旁边都留有恢复原路径的开关。

这些是我们自己提交公开仓库得到的结果，测量所用的显卡和命令都写在每张卡片上。同一段代码换一张卡、换一份输入，结果会不同，所以你的仓库先有一次免费估算，再由你决定要不要继续。

看看你的仓库能快多少

估算免费，几秒钟出结果，不执行你的代码。

提交仓库→ 命令行文档