Mac 上跑 scikit-learn，SVC 预测快了近 300 倍，先别急着删 CPU 环境

Bojan Tunguz 放出了 mlx-learn 的 alpha 版。

项目定位很直接：在 Apple silicon 上加速经典机器学习算法，底层用 MLX 和原生 Metal 内核，API 对齐 scikit-learn，结果匹配或接近。它没有造新模型框架，也没有重写 sklearn 的用法。

目前先覆盖三个算法：logistic regression、nearest neighbors、exact support vector classification。Bojan Tunguz 在推文里给出的数据是，训练最高 30 倍加速，推理最高 300 倍。SVC 的收益最显眼：2GB kernel cache 下训练最高 29.5 倍，预测最高 298 倍；三个数据集上准确率匹配或接近 scikit-learn。

这些倍数要看条件。2GB kernel cache、数据集大小、硬件型号都会影响结果。把最高值当成日常值，容易失望。更值得看的是 exact SVC 和兼容老工作流这两点。Mac 上做经典 ML，sklearn 好用，但多数时候吃 CPU，数据一大，SVC 这类算法训练和预测都容易卡。mlx-learn 做的事，是让这些老算法在 Apple GPU 上跑起来，同时尽量不改使用习惯。

安装方式很简单：

pip install mlx-learn

用法也留了两条路。可以直接导入，也可以在现有工作流里加 patch_sklearn() 加速支持的 estimator。项目带自动 CPU/GPU 路由。当前是 alpha 版，开源，Apache 2.0。

Bojan Tunguz 在回复里说，目前只加速了少量算法，更多在路上。TAAFT Research 追问 0.2 批次之后准备移植哪些 estimator，说明大家更关心覆盖范围，不只一个 SVC 倍数。评论区有人调侃，终于有理由报销 MacBook 了。

如果你在 Mac 上反复跑 SVC 或最近邻，值得开个虚拟环境试。生产环境先等等。alpha 阶段，覆盖面也有限。代码和 benchmark 在 GitHub，来源见 原推。