GoMLX 项目近况

截至 2025 年 8 月，GoMLX 仍处于“早期可用”阶段：核心训练-推理链路已跑通，但距离“生产级”还有明显缺口。

1. 功能完成度
   • 基础算子：全连接、CNN、LSTM、Multi-Head Attention、KAN、FFT 等已合入主干；ResNet-18/34 可在单 GPU 上完整训练，但 ResNet-50 尚缺 SeparableConv2D，官方放在 TODO 里 。
   • 优化器：SGD / Adam / AdamW 已可用，LAMB、Shampoo 等还在 roadmap。
   • 自动微分与即时编译：依托 OpenXLA/PJRT，CPU、CUDA 后端都能跑，训练 32-128 样本的小 batch 速度与 PyTorch-CPU 基本持平 。
   • 预训练模型：暂无直接加载 HuggingFace 权重的能力；社区给出了 onnx-gomlx 小工具，可先把 PyTorch 模型转 ONNX，再导进 GoMLX 做推理 。
2. 近期进展（2024H2-2025H1）
   • v0.3 → v0.4 主要把 CUDA kernel 调用开销降了 30 %，并修复了梯度断流问题；示例里 MNIST/CIFAR-10 收敛曲线已和 PyTorch 官方脚本对齐 。
   • 作者 2025-04 的 blog 提到正在做“NaN/Inf 首次出现堆栈跟踪”，方便调试大模型；该特性已合并进主支但未发版 。
   • 分布式训练分支（mirror-sync 数据并行）已能跑 2×A100 的小实验，不过代码还在 dev 通道，API 可能调整 。
3. 社区与生态
   • 主仓库 2024-09 至今平均每月 6-8 个 commit，PR 主要来自作者本人，外部 contributor 约占 15 %。
   • 教程与体验：提供了 10 余套 ipynb（兼容 GoNB），可在 Jupyter 里直接跑；新手 30 分钟能复现 MNIST 分类，上手门槛明显低于 Gorgonia。
   • 第三方落地：目前只看到边缘小项目（IoT 视觉检测、K8s 推理 Pod）试用，尚未有公司公开宣称“线上大规模”在用。
4. 风险与展望
   • 单 Maintainer：核心代码仍由 Jan Pfeifer 一人主导，若其精力转向，项目易陷入缓迭代。
   • 模型库缺口：视觉 Transformer、BERT、Diffusion 等 SOTA 结构需要社区一起搬运；作者计划先支持 HuggingFace ONNX 导入，再实现原生权重加载 。
   • API 稳定性：官方自述“早期阶段，API 可能随版本小改”，升级时需留意破坏性变更。
   结论
   GoMLX 是目前 Go 圈唯一能“端到端跑 CUDA 训练”的 MLX 前端，2024-2025 的更新把“能跑”提升到“勉强可用”，适合科研、教学或边缘侧单二进制交付场景。若你需要 HuggingFace 现成模型即取即用，或大规模分布式训练，现阶段仍建议 Python MLX 为主、Go 做服务胶水；否则可以拿 GoMLX 尝鲜，并关注其 0.5 版是否落地 HF 模型直导与多机并行。