跳转至

基准结果

运行时间与内存对比、大图容量和分布式开销见性能与扩展性。本页为历史测量归档。

本页是历史测量，不是当前 checkout 的性能结果。存档包含 18 个 operation 的 44 个已注册 case，以及六个辅助数据文件。GPU 数据来自记录中的 RTX 5070 Ti 环境，CPU 数据属于配套主机；不计算跨设备综合分数。

复现图表 · 下载原始证据 · 逐图输入索引 · 完整矩阵

范围与来源

部分历史文件缺少原始代码 revision、驱动/包版本或逐次采样。存档可以复现图表，但不保证新测量得到相同性能。--quick 是 smoke 测量，不是所有存档 case 的精确复现命令。

怎样读图

新的大图容量测量单列于十亿边实验。 它的完整前向计时不能与下方历史 warm operator 计时混用。

加速比大于 1 表示指定候选快于该行对标实现，图中同时保留毫秒数。不同工作负载、不同计时边界的比值不取平均。F 是 feature 宽度，不是浮点精度；内存图区分逐边中间量估算和实测峰值分配。小屏幕可横向滚动图表；点击图可打开完整 SVG。

GPU

Weighted CSR aggregation 对每个目标行计算加权和。选中的拓扑切片为 131,072 行、平均度 16、FP32 数值；索引宽度以各存档 case 为准。F=1/16/64 表示 feature 宽度。

选定稀疏工作负载：prepared Tiga 对比 torch.sparse.mm

候选为 tiga.prepared_auto，对标为 torch.sparse.mm，cache 为 hot；准备阶段不计入这个 warm 时间。这是固定切片，不代表所有已注册拓扑都获胜。全部稀疏 case。

边 MLP 读取相对位置和源节点 feature，再按目标聚合。融合与 eager 路径计算同一个选定工作负载；手写 Triton tile 是 oracle，不是编译器生成代码。

边 MLP 前向时延与加速比

逐边中间量的内存估算

第二张图的零表示不物化逐边 activation 数组，不是总设备内存为零。GiB 来自中间 Tensor 尺寸估算，不是 allocator 峰值测量。

边 MLP 前向加反向与实测峰值内存

训练图比较完整前向+反向和实测峰值分配，计时口径不同于仅前向。前向 case · 反向 case · 程序例子。

这个图 attention case 包含逐边评分、按目标归一化和聚合，不是 dense SDPA。

GAT 训练时延与实测峰值内存

对标为同一个已记录图上的 eager autograd。这是辅助存档，不在 44 个已注册 case 中；准确输入路径见逐图索引。

Dense exact、linear、tile-pruned sparse attention 是不同的数学工作负载。每行只与自己的匹配实现比较，跨行不能用于排名。

三种 attention 工作负载及各自对标

Dense case · Linear case · Sparse case。完整矩阵给出 shape、精度和 provider 名称。

Radius 拓扑构建、已有拓扑上的计算、重建再计算，具有不同计时边界。Reuse 排除构建，end-to-end 包含构建。

明确阶段边界的 radius 管线时延

单阶段比值不能证明端到端加速比。构建 case · 消费 case。

编译器整体

以下每行都选择明确的存档工作负载及匹配基线。选择由生成器固定，不会自动扫描最大加速比。

选定编译器变换

专用原语对比

基线名称和精确筛选条件见 benchmarks/evidence_manifest.json 与 benchmarks/common/plot_docs_results.py；条形旁保留候选/对标的绝对时延。PageRank · kNN · Matmul 校准 · Heatmap。

CPU

同一个 FP32/i32、度 16 的 relation loop，在两种节点数下对比 SciPy CSR matvec 与 Torch sparse，线程数为 16；同时呈现胜出与落后的切片。

CPU relation 的结果随规模与对标变化

131k case 已注册，16k 对比属于辅助存档。此结果不能证明跨 CPU、线程数或 NUMA placement 的扩展性。已注册 CPU relation。

历史内部 overlap 探测，不代表公开执行策略（固定先通信、再计算）。两个 CPU 进程使用人为增加延迟的传输链路；这不是 NVLink、RDMA 或多 GPU 基准。

一条已记录的 CPU 重叠 trace

时间线取某个 rank 的首个 sample，中位数标注来自完整采样集合；不表示每次采样的重叠均相同。可运行分布式例子。

完整矩阵

表格从同一批已注册存档输入生成，包含较慢路径。这是详细证据视图，不是另一批独立测量；每个 operation 列出 case 条件、计时范围和对标实现。

邻居加权求和

计算内容：每个节点收集邻居的值，乘上边权后求和。下面固定比较 tiga.prepared_auto 与 torch.sparse.mm，只展示 hot 数据缓存；所有已注册图类型和 feature 宽度都保留，不挑最快的一行。

所有行均为 131,072 个节点、FP32 数值。F 是每个节点的数值个数，i32/i64 是节点索引的整数位宽，不是数值精度。耗时越小越好；加速比 = 对标耗时 ÷ Tiga 耗时，低于 1 表示 Tiga 更慢。

图类型 邻居分布 索引 F Tiga（ms） Torch sparse（ms） 加速比
等度 编号相近 i64 1 0.020 0.047 2.31×
等度 编号相近 i64 16 0.025 0.232 9.19×
等度 编号相近 i64 64 0.100 0.275 2.76×
不等度 随机编号 i32 16 0.057 0.263 4.63×
不等度 随机编号 i32 64 0.206 0.400 1.94×
幂律 编号相近 i32 1 0.020 0.041 2.00×
幂律 编号相近 i64 1 0.023 0.038 1.65×
幂律 随机编号 i32 1 0.054 0.070 1.30×
幂律 随机编号 i64 1 0.054 0.071 1.32×
对数正态 随机编号 i32 1 0.054 0.071 1.31×
指数 随机编号 i32 1 0.055 0.071 1.29×

等度表示每个节点的邻居数相同；其余图类型让邻居数量变化，用于检查负载不均衡。local/random 描述源节点编号是否集中，不代表跨机器通信。

prepared_auto 已提前完成绑定/准备；计时不含首次编译、准备和建图。hot 是反复使用数据，cold 是测量前主动扰动数据缓存；cold 不是首次 JIT 编译。这些历史路径不等于当前普通 Torch 调用的端到端性能。

下方保留全部原始实现与 hot/cold 结果。95% 置信区间描述采样的不确定性；“性能检查通过”表示达到该存档阈值，不表示所有功能正确或已经可以发布。

全部测量与实现细节
存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
powerlaw_local_cuda_i32_n131072_degree16_f1 powerlaw · local · hot · F1 · N131072 tiga.compiler_chunked_tail 0.027 torch.sparse.mm 0.041 1.51× [1.39, 1.71] 通过
powerlaw_local_cuda_i32_n131072_degree16_f1 powerlaw · local · hot · F1 · N131072 tiga.prepared_auto 0.020 torch.sparse.mm 0.041 2.00× [1.89, 2.30] 通过
powerlaw_local_cuda_i32_n131072_degree16_f1 powerlaw · local · cold · F1 · N131072 tiga.compiler_chunked_tail 0.051 torch.sparse.mm 0.071 1.39× [1.36, 1.50] 通过
powerlaw_local_cuda_i32_n131072_degree16_f1 powerlaw · local · cold · F1 · N131072 tiga.prepared_auto 0.051 torch.sparse.mm 0.071 1.40× [1.35, 1.51] 通过
powerlaw_local_cuda_i64_n131072_degree16_f1 powerlaw · local · hot · F1 tiga.prepared_auto 0.023 torch.sparse.mm 0.038 1.65× [1.63, 1.72] 通过
powerlaw_local_cuda_i64_n131072_degree16_f1 powerlaw · local · cold · F1 tiga.prepared_auto 0.061 torch.sparse.mm 0.082 1.33× [1.30, 1.44] 通过
powerlaw_random_cuda_i32_n131072_degree16_f1 powerlaw · random · hot · F1 · N131072 tiga.compiler_chunked_tail 0.054 torch.sparse.mm 0.070 1.31× [1.28, 1.33] 通过
powerlaw_random_cuda_i32_n131072_degree16_f1 powerlaw · random · hot · F1 · N131072 tiga.prepared_auto 0.054 torch.sparse.mm 0.070 1.30× [1.27, 1.32] 通过
powerlaw_random_cuda_i32_n131072_degree16_f1 powerlaw · random · cold · F1 · N131072 tiga.compiler_chunked_tail 0.059 torch.sparse.mm 0.086 1.46× [1.45, 1.49] 通过
powerlaw_random_cuda_i32_n131072_degree16_f1 powerlaw · random · cold · F1 · N131072 tiga.prepared_auto 0.059 torch.sparse.mm 0.086 1.45× [1.42, 1.47] 通过
powerlaw_random_cuda_i64_n131072_degree16_f1 powerlaw · random · hot · F1 tiga.prepared_auto 0.054 torch.sparse.mm 0.071 1.32× [1.28, 1.35] 通过
powerlaw_random_cuda_i64_n131072_degree16_f1 powerlaw · random · cold · F1 tiga.prepared_auto 0.079 torch.sparse.mm 0.095 1.20× [1.19, 1.21] 通过
lognormal_random_cuda_i32_n131072_degree16_f1 lognormal · random · hot · F1 · N131072 tiga.compiler_chunked_tail 0.059 torch.sparse.mm 0.071 1.20× [1.17, 1.23] 通过
lognormal_random_cuda_i32_n131072_degree16_f1 lognormal · random · hot · F1 · N131072 tiga.prepared_auto 0.054 torch.sparse.mm 0.071 1.31× [1.26, 1.34] 通过
lognormal_random_cuda_i32_n131072_degree16_f1 lognormal · random · cold · F1 · N131072 tiga.compiler_chunked_tail 0.076 torch.sparse.mm 0.086 1.12× [1.11, 1.13] 通过
lognormal_random_cuda_i32_n131072_degree16_f1 lognormal · random · cold · F1 · N131072 tiga.prepared_auto 0.070 torch.sparse.mm 0.086 1.22× [1.20, 1.23] 通过
exponential_random_cuda_i32_n131072_degree16_f1 exponential · random · hot · F1 · N131072 tiga.compiler_chunked_tail 0.059 torch.sparse.mm 0.071 1.20× [1.18, 1.23] 通过
exponential_random_cuda_i32_n131072_degree16_f1 exponential · random · hot · F1 · N131072 tiga.prepared_auto 0.055 torch.sparse.mm 0.071 1.29× [1.26, 1.31] 通过
exponential_random_cuda_i32_n131072_degree16_f1 exponential · random · cold · F1 · N131072 tiga.compiler_chunked_tail 0.075 torch.sparse.mm 0.087 1.15× [1.14, 1.17] 通过
exponential_random_cuda_i32_n131072_degree16_f1 exponential · random · cold · F1 · N131072 tiga.prepared_auto 0.071 torch.sparse.mm 0.087 1.23× [1.21, 1.25] 通过

以下用例没有存档性能检查；每行是一种实测实现。对标优先采用预先指定的实现，否则采用相同测试条件下最快的非 Tiga 实现。

存档用例 测试条件 执行实现 中位耗时（ms） 对标实现 相对加速比
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.prepared_auto 0.020 torch.sparse.mm 2.31×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.auto 0.046 torch.sparse.mm 1.03×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.reference 0.216 torch.sparse.mm 0.22×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.sparse.mm 0.047 torch.sparse.mm 1.00×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.compile.index_add 0.083 torch.sparse.mm 0.57×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.index_add 0.084 torch.sparse.mm 0.56×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 triton.csr 0.379 torch.sparse.mm 0.12×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.prepared_auto 0.025 torch.sparse.mm 9.19×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.auto 0.062 torch.sparse.mm 3.77×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.reference 3.115 torch.sparse.mm 0.07×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.sparse.mm 0.232 torch.sparse.mm 1.00×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.compile.index_add 0.234 torch.sparse.mm 0.99×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 triton.csr 0.427 torch.sparse.mm 0.54×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 pyg.message_passing 1.748 torch.sparse.mm 0.13×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.index_add 1.832 torch.sparse.mm 0.13×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.auto 0.095 torch.sparse.mm 2.89×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.prepared_auto 0.100 torch.sparse.mm 2.76×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.reference 5.621 torch.sparse.mm 0.05×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.sparse.mm 0.275 torch.sparse.mm 1.00×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 triton.csr 0.453 torch.sparse.mm 0.61×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.compile.index_add 0.577 torch.sparse.mm 0.48×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 pyg.message_passing 3.561 torch.sparse.mm 0.08×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · hot · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.index_add 4.188 torch.sparse.mm 0.07×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.prepared_auto 0.046 torch.sparse.mm 1.72×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.auto 0.055 torch.sparse.mm 1.43×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.reference 0.216 torch.sparse.mm 0.36×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.sparse.mm 0.079 torch.sparse.mm 1.00×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.index_add 0.113 torch.sparse.mm 0.70×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.compile.index_add 0.115 torch.sparse.mm 0.68×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F1 · nodes=131072 · edges=2097152 · index_dtype=i64 triton.csr 0.387 torch.sparse.mm 0.20×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.prepared_auto 0.058 torch.compile.index_add 3.40×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.auto 0.067 torch.compile.index_add 2.95×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.reference 3.098 torch.compile.index_add 0.06×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.compile.index_add 0.197 torch.compile.index_add 1.00×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.sparse.mm 0.233 torch.compile.index_add 0.84×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 triton.csr 0.449 torch.compile.index_add 0.44×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 pyg.message_passing 1.748 torch.compile.index_add 0.11×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F16 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.index_add 1.841 torch.compile.index_add 0.11×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.prepared_auto 0.120 torch.sparse.mm 2.48×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.auto 0.130 torch.sparse.mm 2.28×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 tiga.reference 5.638 torch.sparse.mm 0.05×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.sparse.mm 0.298 torch.sparse.mm 1.00×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 triton.csr 0.485 torch.sparse.mm 0.61×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.compile.index_add 0.593 torch.sparse.mm 0.50×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 pyg.message_passing 3.571 torch.sparse.mm 0.08×
regular_local_cuda_i64_n131072_degree16_f1_16_64 regular · local · cold · F64 · nodes=131072 · edges=2097152 · index_dtype=i64 torch.index_add 4.216 torch.sparse.mm 0.07×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.prepared_auto 0.057 torch.sparse.mm 4.63×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.auto 0.090 torch.sparse.mm 2.91×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.reference 3.061 torch.sparse.mm 0.09×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.sparse.mm 0.263 torch.sparse.mm 1.00×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.compile.index_add 0.278 torch.sparse.mm 0.95×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 triton.csr 0.388 torch.sparse.mm 0.68×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 pyg.message_passing 1.673 torch.sparse.mm 0.16×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.index_add 1.776 torch.sparse.mm 0.15×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.prepared_auto 0.206 torch.sparse.mm 1.94×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.auto 0.235 torch.sparse.mm 1.70×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.reference 5.711 torch.sparse.mm 0.07×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.sparse.mm 0.400 torch.sparse.mm 1.00×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 triton.csr 0.413 torch.sparse.mm 0.97×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.compile.index_add 0.669 torch.sparse.mm 0.60×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 pyg.message_passing 3.540 torch.sparse.mm 0.11×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · hot · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.index_add 4.253 torch.sparse.mm 0.09×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.prepared_auto 0.077 torch.sparse.mm 3.24×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.auto 0.088 torch.sparse.mm 2.86×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.reference 3.016 torch.sparse.mm 0.08×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.sparse.mm 0.251 torch.sparse.mm 1.00×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.compile.index_add 0.332 torch.sparse.mm 0.75×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 triton.csr 0.381 torch.sparse.mm 0.66×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 pyg.message_passing 1.665 torch.sparse.mm 0.15×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F16 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.index_add 1.788 torch.sparse.mm 0.14×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.prepared_auto 0.313 torch.sparse.mm 1.19×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.auto 0.319 torch.sparse.mm 1.17×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 tiga.reference 5.708 torch.sparse.mm 0.07×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.sparse.mm 0.373 torch.sparse.mm 1.00×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 triton.csr 0.445 torch.sparse.mm 0.84×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.compile.index_add 0.695 torch.sparse.mm 0.54×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 pyg.message_passing 3.559 torch.sparse.mm 0.10×
irregular_random_cuda_i32_n131072_degree16_f16_64 irregular · random · cold · F64 · nodes=131072 · edges=2097960 · index_dtype=i32 torch.index_add 4.276 torch.sparse.mm 0.09×

radius_edge_mlp

PointNet++ 风格的边局部 MLP 消息传递，作用在半径关系上（MLP 11→16→8，FP32）：MLP 由 tg.nn.trace 捕获并编译为融合 tile kernel。对标实现为手写 Triton tile oracle、手写 NVIDIA Warp 融合 kernel，以及 PyTorch eager 的 gather → MLP → index_add 回退。

存档用例 测试条件 执行实现 中位耗时（ms） 对标实现 相对加速比
n262144 hot · F8 tiga-compiled-tile 1.020 warp-fused 8.50×
n262144 hot · F8 tiga-eager 13.058 warp-fused 0.66×
n262144 hot · F8 triton-fused-tile 1.017 warp-fused 8.53×
n262144 hot · F8 warp-fused 8.670 warp-fused 1.00×
n262144 hot · F8 torch-eager 12.069 warp-fused 0.72×

edge_nn_backward

边局部 MLP 的一次前向+反向训练步：反向是编译器推导的符号 VJP 重算 tile，不物化任何 [E, ·] 激活。对标实现为 eager Torch autograd。

存档用例 测试条件 执行实现 中位耗时（ms） 对标实现 相对加速比
cuda_n131072_degree32 — tiga.fused_recompute_vjp 2.991 torch.eager_autograd 13.45×
cuda_n131072_degree32 — torch.eager_autograd 40.227 torch.eager_autograd 1.00×

diffusion

在 local 与 random 图切片上、度 2–64 的稀疏各向异性扩散步。每个 case 将编译器生成的 Tiga 数据点与 torch.sparse_laplacian、torch.index_add、triton.csr 等仅用于基准的对标实现分开。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
regular_local_cuda_i64_n131072_degree2 regular · local · hot · F1 tiga.auto 0.018 torch.index_add 0.036 1.99× [1.98, 2.01] 通过
regular_local_cuda_i64_n131072_degree4 regular · local · hot · F1 tiga.auto 0.018 torch.index_add 0.036 2.04× [2.03, 2.07] 通过
regular_local_cuda_i64_n131072_degree8 regular · local · hot · F1 tiga.auto 0.017 torch.sparse_laplacian 0.036 2.09× [2.05, 2.11] 通过
regular_local_cuda_i64_n131072_degree16 regular · local · hot · F1 tiga.auto 0.024 torch.sparse_laplacian 0.037 1.51× [1.48, 1.54] 通过
regular_local_cuda_i64_n131072_degree32 regular · local · hot · F1 tiga.auto 0.052 torch.sparse_laplacian 0.081 1.55× [1.53, 1.56] 通过
regular_local_cuda_i64_n131072_degree64 regular · local · hot · F1 tiga.auto 0.134 torch.sparse_laplacian 0.144 1.07× [1.07, 1.07] 通过
irregular_local_cuda_i64_n131072_degree16 irregular · local · hot · F1 tiga.auto 0.034 torch.sparse_laplacian 0.037 1.07× [1.05, 1.08] 通过
skewed_local_cuda_i64_n131072_degree16 skewed · local · hot · F1 tiga.auto 0.035 torch.sparse_laplacian 0.036 1.03× [1.02, 1.05] 通过
regular_random_cuda_i64_n8192_degree16 regular · random · hot · F1 tiga.auto 0.026 triton.csr 0.032 1.23× [1.01, 1.33] 通过

radius_graph_build

从位置构建半径关系本身：生成的 cell 目录对比物化的 cell-list/CSR 构建。有效 FLOPs 只计精确的候选距离测试。

存档用例 测试条件 执行实现 中位耗时（ms） 对标实现 相对加速比
cuda_n32768_d3_degree32 radius · spatial · build-only · F1 · nodes=32768 · edges=978044 · index_dtype=int64 tiga.compact_cell_directory 0.335 tiga.materialized_cell_list_csr 9.46×
cuda_n32768_d3_degree32 radius · spatial · build-only · F1 · nodes=32768 · edges=978044 · index_dtype=int64 tiga.materialized_cell_list_csr 3.171 tiga.materialized_cell_list_csr 1.00×

radius_distance_aggregation

半径图上的距离加权聚合，按 consume、relation-reuse 与全新 build+consume 阶段分别报告。对标实现为物化 CSR 管线与 torch.sparse.mm。

存档用例 测试条件 执行实现 中位耗时（ms） 对标实现 相对加速比
cuda_n32768_d3_degree32 radius · spatial · consumer-only · F1 · nodes=32768 · edges=978044 · index_dtype=int64 tiga.direct_ttir_generated 0.334 torch.sparse.precomputed_distance 0.13×
cuda_n32768_d3_degree32 radius · spatial · consumer-only · F1 · nodes=32768 · edges=978044 · index_dtype=int64 tiga.triton_generated_oracle 0.338 torch.sparse.precomputed_distance 0.13×
cuda_n32768_d3_degree32 radius · spatial · consumer-only · F1 · nodes=32768 · edges=978044 · index_dtype=int64 torch.sparse.precomputed_distance 0.044 torch.sparse.precomputed_distance 1.00×
cuda_n32768_d3_degree32 radius · spatial · consumer-only · F1 · nodes=32768 · edges=978044 · index_dtype=int64 tiga.materialized_csr 0.058 torch.sparse.precomputed_distance 0.76×
cuda_n32768_d3_degree32 radius · spatial · relation-reuse · F1 · nodes=32768 · edges=978044 · index_dtype=int64 tiga.dynamic_auto 0.048 tiga.materialized_reuse 1.30×
cuda_n32768_d3_degree32 radius · spatial · relation-reuse · F1 · nodes=32768 · edges=978044 · index_dtype=int64 tiga.materialized_reuse 0.062 tiga.materialized_reuse 1.00×
cuda_n32768_d3_degree32 radius · spatial · fresh-build+consume · F1 · nodes=32768 · edges=978044 · index_dtype=int64 tiga.generated_build_consume 0.734 tiga.materialized_build_consume 4.43×
cuda_n32768_d3_degree32 radius · spatial · fresh-build+consume · F1 · nodes=32768 · edges=978044 · index_dtype=int64 tiga.materialized_build_consume 3.247 tiga.materialized_build_consume 1.00×

online_softmax

以 reducer 代数写成的数值稳定 online softmax reducer，被重结合为单个 TTIR tile。对标实现为匹配的手写融合 Triton kernel。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
cuda_n131072_degree32_f1 fixed-degree-csr · random · hot · F1 tiga.compiler_ttir 0.168 triton.handwritten_fused 0.169 1.01× [1.01, 1.01] 通过

knn_graph

精确 kNN 图构建与消费归约融合——不物化 N×N 距离矩阵或 CSR。对标实现为 torch.cdist_topk_gather_sum。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
cuda_n8192_d3_k32_consume uniform-random · all-pairs · hot · F3 tiga.knn_build_consume_prepared_ttir 2.950 torch.cdist_topk_gather_sum 3.915 1.33× [1.33, 1.33] 通过
cuda_n4096_d5_k16_consume uniform-random · all-pairs · hot · F5 tiga.knn_build_consume_prepared_ttir 0.659 torch.cdist_topk_gather_sum 1.071 1.63× [1.62, 1.63] 通过
cuda_n4096_d5_k13_consume uniform-random · all-pairs · hot · F5 tiga.knn_build_consume_prepared_ttir 0.663 torch.cdist_topk_gather_sum 1.074 1.62× [1.62, 1.63] 通过

dense_matmul_calibration

稠密 matmul 校准门禁：编译器自动选择无 Torch 的 cuBLASLt 运行时路径，并对 torch.mm/cuBLAS 设门禁。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
m2048_n2048_k2048_fp16 dense · contiguous · hot · F2048 tiga.compiler_auto 0.192 torch.mm.cublas 0.193 1.00× [1.00, 1.01] 通过

dense_attention

写成 MessagePassing 的精确稠密 attention，经 Domain、Iter 与 Kernel IR lowering 为编译器生成的 TTIR（完整 Cartesian、causal 与 grouped-query 关系）。对标实现为 Flash SDPA（torch.sdpa.flash）。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
b1_h16_n4096_d64_fp16 cartesian · dense · consumer-only · F64 tiga.direct_ttir 0.772 torch.sdpa.flash 0.829 1.07× [1.07, 1.08] 通过
b1_h16_n4096_d64_fp16_causal lower-triangular · dense · consumer-only · F64 tiga.direct_ttir 0.446 torch.sdpa.flash 0.498 1.12× [1.10, 1.13] 通过
b1_h16_n4096_d64_fp16_kvh4 cartesian · dense · consumer-only · F64 tiga.direct_ttir 0.777 torch.sdpa.flash 0.842 1.08× [1.08, 1.09] 通过

horizontal_fusion

同一共享关系上兄弟消息传递 kernel 的横向融合。对标实现为匹配的手写融合 Triton oracle。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
cuda_n131072_degree16_i64 regular · local · hot · F1 tiga.compiler_fused 0.022 triton.fused_oracle 0.023 1.05× [1.04, 1.06] 通过

message_passing_backward

前向消息传递 UDF 的编译器推导 VJP，包括零安全的乘积 reducer VJP 与半径几何反向。对标实现为匹配的手写 Triton kernel 与 torch.autograd。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
regular_random_cuda_i64_n131072_degree16_dx regular · random · hot · F1 tiga.generated_vjp 0.058 handwritten.triton 0.059 1.01× [1.01, 1.02] 通过
regular_random_cuda_i64_n131072_degree16_dweight regular · random · hot · F1 tiga.generated_vjp 0.016 handwritten.triton.saved 0.020 1.25× [1.25, 1.26] 通过
regular_random_cuda_i64_n131072_degree16_dweight_f16 regular · random · hot · F16 tiga.generated_vjp 2.054 handwritten.triton.saved 2.060 1.00× [1.00, 1.00] 通过
regular_random_cuda_i64_n131072_degree16_dweight_f64 regular · random · hot · F64 tiga.generated_vjp 2.304 handwritten.triton.saved 2.313 1.00× [1.00, 1.00] 通过
powerlaw_random_cuda_i64_n131072_degree16_dx powerlaw · random · hot · F1 tiga.generated_vjp 0.057 handwritten.triton 0.059 1.03× [1.03, 1.04] 通过
powerlaw_random_cuda_i64_n131072_degree16_dweight_f16 powerlaw · random · hot · F16 tiga.generated_vjp 1.996 handwritten.triton.saved 2.005 1.00× [1.00, 1.01] 通过
regular_edge_local_cuda_i64_n131072_degree16_product regular · edge-local · hot · F1 tiga.generated_vjp 0.072 handwritten.triton 0.073 1.02× [1.02, 1.03] 通过
radius_fixed_snapshot_cuda_n32768_d3_degree32 radius-fixed-snapshot · cell-list · hot · F4 tiga.generated_vjp 0.240 handwritten.triton 0.259 1.08× [1.07, 1.08] 通过

linear_attention

写成未归一化递推的因果线性 attention，融合为单个 scan TTIR kernel；秩四前缀状态从不物化。对标实现为官方 FLA 实现。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
l64_t512_k16_v16_fp32 causal-prefix · dense-state · hot · F256 tiga.compiler_scan_contract 0.106 fla.chunk 0.109 1.04× [1.02, 1.05] 通过

sparse_attention

带语义准入阈值的 tile 剪枝稀疏 attention，阈值穿过 reducer IR 进入通用稠密流式 lowering。对标实现为相同剪枝阈值下的官方 flash-sparse-attn kernel。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
b1_h16_n4096_d64_fp16 dynamic-score-tile · dense · hot · F64 tiga.compiler_tile_pruned 0.907 flash_sparse_attn.official 1.072 1.18× [1.18, 1.19] 通过

cpu_pointwise_fusion

CPU Tensor 逐点融合，lowering 为 512 位 LLVM 向量，运行在惰性创建的常驻 worker 池上。对标实现为 torch.compile/Inductor。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
n4000000_f32_t16 contiguous · local · cold · F1 tiga.llvm.vector_parallel 0.951 torch.compile.inductor 1.020 1.07× [1.05, 1.12] 通过

cpu_relation

CPU 融合关系循环：gather、UDF 与 CSR 归约在单个嵌套 16 线程 LLVM 循环内完成。对标实现为 scipy.csr_matvec 与 CPU 上的 torch.sparse.mm。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
regular_permuted_i32_n131072_degree16_t16 regular · permuted · hot · F1 tiga.llvm.parallel_relation 0.124 scipy.csr_matvec 0.781 6.32× [5.54, 6.66] 通过

pagerank

固定迭代 PageRank，捕获为单个 gf_control.repeat 递推，每轮迭代一个融合 TTIR kernel 加两个 ping-pong 缓冲区。对标实现为迭代次数完全相同的 torch.sparse.mm 递推。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
cuda_fp32_iter20 regular-degree-16 · cyclic · hot · F1 · N262144 tiga.control 0.590 torch.sparse.mm 1.379 2.34× [2.31, 2.52] 通过
cuda_fp32_iter20 regular-degree-16 · cyclic · hot · F1 · N65536 tiga.control 0.190 torch.sparse.mm 0.352 1.85× [1.82, 1.88] 通过
cuda_fp32_iter20 regular-degree-32 · cyclic · hot · F1 · N262144 tiga.control 2.462 torch.sparse.mm 2.583 1.05× [1.04, 1.05] 通过
cuda_fp32_iter20 regular-degree-32 · cyclic · hot · F1 · N65536 tiga.control 0.244 torch.sparse.mm 0.380 1.56× [1.54, 1.58] 通过
cuda_fp32_iter20 regular-degree-4 · cyclic · hot · F1 · N262144 tiga.control 0.217 torch.sparse.mm 0.357 1.64× [1.61, 1.67] 通过
cuda_fp32_iter20 regular-degree-4 · cyclic · hot · F1 · N65536 tiga.control 0.190 torch.sparse.mm 0.354 1.86× [1.83, 1.92] 通过

visualization_heatmap

由普通 Tensor IR 组合的标量场 → RGB 热图准备。对标实现为 torch.compile/Inductor。

存档用例 测试条件 被测实现（ms） 对标实现（ms） 加速比 加速比的 95% 置信区间 性能检查
h2048_w2048_rgb_f32 image-grid · contiguous · consumer-only · F3 tiga.tensor_ttir 0.100 torch.inductor.fused 0.115 1.15× [1.14, 1.17] 通过