Tiga 与同类对比

Tiga 是面向 message passing 与图计算的编译器——不是 framework，也不 是通用深度学习编译器。普通输入/输出使用 Torch Tensor，但 Torch 由使用者 单独安装；原生 CPU 路径无需 Torch。项目目前为 alpha，对比必须区分抽象、 实测性能与工程成熟度，不能把一个案例当作全面排名。

一个具体操作的耗时

计算内容：每个目标节点收集邻居的 16 维特征，乘以对应边的权重，再求和。 图中是同一份输入的前向执行耗时，单位为毫秒（ms），柱子越短越快，不是加速比。 紫色为两条 Tiga 路径，灰色为其他具体实现；不是框架整体排名。

窄屏可横向滚动图表，或点击图片查看完整图；全部数值也在下方可展开表格中。

例如 Tiga (regular call) 为 0.090 ms，Torch sparse matmul 为 0.263 ms。 Tiga (prepared)* 的 0.057 ms 需要提前固定输入绑定并完成准备，不能当作首次调用耗时。 这里只测预热后的前向执行，不包含首次编译、构图、数据传输或反向传播； hot cache 表示重复执行时不主动清空缓存，不保证全部数据驻留 L2。

完整数值与实现含义（含 reference）

图中名称	存档标识	具体实现	耗时（ms）
Tiga (prepared)*	tiga.prepared_auto	固定输入绑定后的重复执行，准备不计时	0.057
Tiga (regular call)	tiga.auto	预热后的常规调用	0.090
Torch sparse matmul	torch.sparse.mm	稀疏矩阵乘法	0.263
Torch compiled scatter	torch.compile.index_add	编译后的 gather、乘权重与累加	0.278
Handwritten Triton	triton.csr	benchmark 中的一份手写 CSR kernel，不代表 Triton 性能上限	0.388
PyG gather-scatter	pyg.message_passing	本例的消息收集与累加，不是融合稀疏聚合路径	1.673
Torch scatter	torch.index_add	未编译的 gather、乘权重与累加	1.776
不在柱图中	tiga.reference	用于正确性对照的参考实现，不是优化执行路径	3.061

数值为存档重复测量的中位数，四舍五入至三位小数。benchmark 在计时前 用 torch.sparse.mm 检查前向结果；这不代表梯度验证或完整训练性能。

测量条件：RTX 5070 Ti，131,072 个节点，平均度数约 16，不规则 CSR、随机局部性， 特征宽度 16，FP32 数值、32 位索引。这是历史存档，不是当前 revision 或当前默认 Torch 路径的新性能结论。原始数据与重画命令见图表复现。

重新测量该 workload（结果可能随版本与环境变化）：

python -m benchmarks.sparse_compute.weighted_aggregation --topology irregular --locality random --device cuda --index-dtype i32 --nodes 131072 --degree 16 --features 16,64

同一数学程序的可运行原生实现见 CSR 聚合例子； API 选择不应只由此图决定。

一览

同类	定位	Tiga 的区别
PyG	GNN framework，具有 gather-scatter 与融合的稀疏聚合路径	上图测量 PyG 2.8.0 的 gather-scatter 实现，不是其 message_and_aggregate() 路径；不能把该结果推广到所有 PyG 算子
DGL	提供 gspmm / gsddmm 等融合算子的 GNN framework	Tiga 侧重保留关系来源、生成式拓扑与 VJP；此处没有足够的对齐数据给 DGL 做性能排名
torch.compile	通用 PyTorch 编译入口	Tiga 从关系与 reducer 语义出发；不能由某个版本或案例推断所有稀疏算子的捕获、融合或性能
Taichi / Warp	Python kernel JIT	编程抽象不同：Tiga 的入口是关系与 edge/node UDF
Triton	tile / kernel DSL 与编译器	Tiga 当前 NVIDIA 路径通过序列化 TTIR 交接给 Triton
TileLang	外部 tile / kernel DSL	当前没有集成的 TileLang provider；不是已经支持的 Tiga backend
Graphiler	基于 DGL + TorchScript 的研究型 GNN 编译器	前端与运行时契约不同；此处不对维护状态或性能排名作推断
GALA	研究型 GNN DSL 与编译器	自带前端与 benchmark 套件，需要先对齐工作负载才能比较

什么时候用 Tiga，什么时候不用

适合评估 Tiga 的场景是自定义图消息、稀疏聚合，以及需要检查生成代码的研究/开发。 先运行具体 workload 的正确性与梯度对照，再按相同输入和计时范围测量性能。 支持的 edge-nn 路径有编译 VJP；部分 Torch CSR backward 采用语义重放， 不能笼统声称所有前后向都由融合 kernel 执行。

Tiga 目前不提供完整训练框架、模型库或生产级全平台发行承诺， 也不能仅因内置一个 PageRank 或 attention 示例就替代对应生态。 已有工程应按缺失的能力决定是否集成，不必为了使用 Tiga 更换全部 Tensor 接口。 已验证范围、内存与多 GPU 限制见当前状态。

这些取舍背后的完整设计调研——Ebb、Simit、TACO、GraphIt、Taichi、 Legion 等——保存在仓库的 docs/RELATED_WORK.md。