MPSBoost 1.0.0 性能报告

本报告记录发布机器上可用的最终 1.0.0 性能与体积证据，并区分 current-HEAD measurement 和 v2/v3 前历史 benchmark baseline。

发布机器

• 日期：2026-07-23
• 平台：Apple Silicon macOS
• 本地审计 Python：Python 3.13
• Dataset cache policy：项目内已忽略 tests/real_world/data/ 和 tests/real_world/cache/
• 本地已检查 wheel artifact： dist/mpsboost-1.0.0-cp310-cp310-macosx_13_0_arm64.whl 为 280K， dist/mpsboost-1.0.0-cp313-cp313-macosx_13_0_arm64.whl 为 284K

Current-HEAD CPU 审计

这些 measurement 使用最终 1.0.0 wheel rebuild 前的 current source。Peak RSS 从进程最大 resident set size 换算，并四舍五入为 MiB。

Dataset	Rows	Features	Estimator	Train (s)	Predict (s)	Metric	Score	Model size
Iris	150	4	GradientBoostingClassifier	0.000965	0.000044	accuracy	0.973684	9,460 B
Breast Cancer	569	30	GradientBoostingClassifier	0.006503	0.000106	accuracy	0.930070	11,048 B
Diabetes	442	10	GradientBoostingRegressor	0.003520	0.000048	R2	0.424435	11,156 B
Digits	1,797	64	GradientBoostingClassifier	0.106488	0.001003	accuracy	0.740000	49,528 B
California Housing	20,640	8	GradientBoostingRegressor	0.079778	0.003057	R2	0.726251	33,000 B
Covertype subset	30,000	54	GradientBoostingClassifier	0.423550	0.006479	accuracy	0.473067	19,604 B

本次审计期间 peak RSS 低于 495 MiB。最大值来自加载和切分 cached Covertype subset 后的运行。

历史 MPS Baseline

已提交 S4/S6 结果仍可用于 workload-shape guidance，但不是最终 1.0.0 speed claim。它们记录于后续 v2/v3 实现和 cleanup 之前，作用是展示稳定边界：小型或同步开销重的任务在 MPS 上可能更慢；更宽、更大的 histogram workload 可以受益于 Apple GPU。

历史 S6 large-wide regressor case 在记录的 M2 Ultra 机器上达到相对 CPU oracle 的 1.629x median speedup。

HIGGS 边界

HIGGS 明确作为 local-file、opt-in performance-boundary dataset。官方 raw dataset 是 multi-gigabyte scale，不会自动下载到用户环境，也不会打包进 wheel。可执行测试保留在 tests/real_world/test_external_opt_in_datasets.py，并说明运行它所需的本地文件路径。

1.0.0 策略

• 默认使用 device="auto"。
• CPU 是 correctness oracle，也是小型、branch-heavy 和 latency-sensitive workload 的优先路径。
• MPS 是 acceleration backend，适合足够大的 workload 来摊薄 launch、transfer 和 synchronization overhead。
• Linux CPU/CUDA 性能属于所选 external sklearn/XGBoost/CUDA stack，并按该 external backend 报告。