JAX
JAX是由Google开发的开源高性能数值计算库，基于Python和NumPy接口设计，提供与NumPy高度兼容的API。JAX的核心能力包括：通过自动微分（Autograd）支持对任意Python函数求导，利用XLA（加速线性代数）编译器实现在CPU、GPU和TPU上的高效运算，以及支持函数式变换（如向量化映射vmap和即时编译jit）。JAX广泛应用于机器学习研究和科学计算领域。
核心事实
时间轴 (近 90 天)
KPPax是一个从KPP语言生成JAX可微分、即时编译且可向量化化学代码的动力学预处理器。
固定批大小与特征维度、使用 jax.jit 的 static_argnums 显式声明静态参数、借助持久化编译缓存等策略可缓解 JAX 惰性编译带来的预热延迟和重新编译问题。
JAX 的编译特性带来冷启动成本：对于极短的生命周期任务，jit 编译时间可能抵消运行时收益，该引擎更适合持续运行的流式管道而非一次性小批量任务。
JAX 的 jit 采用惰性编译：函数第一次以特定输入形状和 dtype 被调用时才会触发 XLA 编译，编译结果按形状缓存。
JAX 要求被追踪的函数是纯函数，控制流需通过 lax.cond、lax.scan 等原语表达，才能被编译成 XLA 设备端执行图。
50 倍加速的主要来源是将路由逻辑改写为 JAX 可追踪的纯函数，利用 jit 编译和批量化操作实现向量化计算，而非算法层面的颠覆。
一个基于 JAX 原生实现的流学习引擎正式发布，引入 Mondrian 树路由机制。
该 JAX 原生流学习引擎宣称在数据处理速度上达到 50 倍提升。
Reddit 用户借助 Opus 5.5 构建了基于 JAX 的《Getting Over It》游戏环境，训练出的智能体在真实游戏中的胜率约为 85%。
在强化学习场景中，JAX 常被用来编写可批量执行的物理模拟器，将仿真吞吐量推到每秒数万步，这是环境达到 1600 倍实时速度的技术基础。
还有 40 条时间轴事件
全部知识事实 (20)
Hugging Face的Transformers库支持PyTorch、TensorFlow和JAX三大框架
90%已验证PyTorch、TensorFlow 内置的自动微分系统本质上是在计算图上自动执行链式求导过程
70%已验证PyTorch采用动态计算图，每次前向传播都会重新构建图，这与TensorFlow早期的静态计算图不同
65%已验证Hugging Face的核心开源库transformers支持PyTorch、TensorFlow和JAX三大主流框架
65%已验证JAX 是 Google 于 2018 年发布的数值计算库，核心特性包括基于 XLA 编译器的 JIT 加速、自动微分以及 vmap 和 pmap 原语
65%已验证TensorFlow由Google开发，JAX同样由Google开发
65%已验证JAX由Google开发，基于函数式编程范式，提供自动微分和XLA编译优化
65%待验证Google通过JAX框架和XLA编译器构建自己的软件生态，使开发者能够在TPU上运行模型
90%待验证Google DeepMind的许多前沿研究基于JAX构建
80%部分验证Transformers框架同时支持PyTorch、TensorFlow和JAX三大深度学习框架
80%待验证Hugging Face的Optimum库提供了对Intel、AMD、AWS Inferentia等非英伟达硬件的优化支持
70%待验证XLA是Google的加速线性代数编译器，深度集成于TensorFlow和JAX
60%待验证KPPax是一个从KPP语言生成JAX可微分、即时编译且可向量化化学代码的动力学预处理器。
50%待验证固定批大小与特征维度、使用 jax.jit 的 static_argnums 显式声明静态参数、借助持久化编译缓存等策略可缓解 JAX 惰性编译带来的预热延迟和重新编译问题。
50%待验证该 JAX 原生流学习引擎宣称在数据处理速度上达到 50 倍提升。
50%待验证50 倍加速的主要来源是将路由逻辑改写为 JAX 可追踪的纯函数，利用 jit 编译和批量化操作实现向量化计算，而非算法层面的颠覆。
50%待验证JAX 要求被追踪的函数是纯函数，控制流需通过 lax.cond、lax.scan 等原语表达，才能被编译成 XLA 设备端执行图。
50%待验证JAX 的 jit 采用惰性编译：函数第一次以特定输入形状和 dtype 被调用时才会触发 XLA 编译，编译结果按形状缓存。
50%待验证JAX 的编译特性带来冷启动成本：对于极短的生命周期任务，jit 编译时间可能抵消运行时收益，该引擎更适合持续运行的流式管道而非一次性小批量任务。
50%待验证Reddit 用户借助 Opus 5.5 构建了基于 JAX 的《Getting Over It》游戏环境，训练出的智能体在真实游戏中的胜率约为 85%。
50%