不用 Python，也能训练大模型：两年之后再看 Go 语言机器学习框架 GoMLX
内容提要
GoMLX是Go语言的机器学习框架，两年间从雏形发展为1.5k星标项目，核心计算引擎拆分为独立compute仓库。它提供Backend、Graph、Tensor、Store四大抽象，支持xla、纯Go和go-darwinml三种后端，可训练模型并对接HuggingFace和ONNX生态。虽生态不及Python，但适合Go服务集成，正迈向生产可用。
延伸解读
架构拆分：从单体到可插拔引擎
GoMLX 在 v0.28 版本将底层计算引擎拆分为独立的 compute 仓库，形成“高层 API + 可插拔后端”的清晰分层。这一设计借鉴了 PyTorch 的 ATen/Dispatcher 和 JAX 的 XLA 层思路，将“怎么算”与“算什么”解耦。对开发者而言，这意味着可以独立贡献新后端，而无需改动上层 API，降低了扩展门槛，也提升了项目的可持续演进能力。
多后端策略：性能与便携的平衡
GoMLX 提供三种后端：xla 基于 OpenXLA，支持 GPU/TPU，追求极致性能；go 后端纯 Go 实现，无 CGO 依赖，可编译为 WASM 在浏览器运行；go-darwinml 面向苹果生态。这种多后端设计让开发者能根据部署场景灵活选择，例如在服务端用 xla 训练，在浏览器端用 go 后端推理，兼顾了性能与可移植性。
生态对接：不重复造轮子
GoMLX 通过 go-huggingface 和 onnx-gomlx 等组件，直接对接 HuggingFace 和 ONNX 生态，支持加载预训练模型、分词器、safetensors/GGUF 格式，并能将 ONNX 模型转换后微调。这种策略避免了从零构建模型库，让 Go 开发者能复用 Python 生态的成果，降低了迁移成本，也体现了项目务实的发展方向。
工程特性：面向生产的设计
GoMLX 引入了梯度检查点（重计算省显存）、基于 XLA Shardy 的分布式训练（实验性）、以及 gomlx_checkpoints 工具用于可视化训练曲线。这些特性表明项目正从“能跑通 Demo”向生产可用迈进。但需注意，分布式训练仍不成熟，动态形状支持有限，JIT 编译与输入形状绑定，使用时应固定或分桶输入形状以避免重复编译开销。
Q&A
GoMLX是什么？它的设计目标是什么？
GoMLX是Go语言的机器学习框架，旨在复刻PyTorch、JAX和TensorFlow的能力，让用户无需Python即可训练、微调和部署模型。其设计哲学强调简单透明、组合性优先于魔法，以及文档即代码的一部分。
GoMLX的四大核心抽象是什么？它们各自的作用是什么？
GoMLX的四大核心抽象是Backend、Graph、Tensor和Store。Backend负责连接硬件并JIT编译计算图；Graph是用纯Go描述的计算图，用于定义计算；Tensor是数据的载体，管理主机和设备内存；Store用于管理可训练参数和超参数，通过Scope实现命名空间隔离。
GoMLX支持哪些后端？它们分别适用于什么场景？
GoMLX支持三种后端：xla后端基于OpenXLA/PJRT，支持GPU/TPU，适合追求极致性能的训练和推理；go后端是纯Go实现，无CGO依赖，可编译为WASM，适合嵌入式、浏览器等轻量部署；go-darwinml后端面向苹果生态，支持Metal加速，适合macOS/iOS本地推理。
GoMLX如何与HuggingFace和ONNX生态集成？
GoMLX通过go-huggingface库对接HuggingFace，支持原生Tokenizer、safetensors/GGUF解析，可下载和微调预训练模型；通过onnx-gomlx库将ONNX模型转换为GoMLX计算图，支持推理和微调，可作为onnxruntime的替代方案。
GoMLX在v0.28版本中进行了哪些架构重组？
v0.28版本将底层计算引擎（如backends、dtypes、shapes、distributed）拆分到独立的compute仓库，形成“高层API + 可插拔计算引擎”的解耦架构。compute仓库专注于计算图的定义和执行，GoMLX主仓库则提供高层API、自动微分、训练循环等。
GoMLX支持哪些前沿算法和工程特性？
GoMLX内建了KAN（Kolmogorov-Arnold网络）、VNN（Vector Neural Networks）、梯度检查点（重计算省显存）以及基于XLA Shardy的分布式多卡训练支持。此外，还支持DyT归一化等新研究。
GoMLX与Python生态相比有哪些优势和劣势？
优势：底层与XLA共用引擎，性能相当；纯Go后端可编译为WASM，可移植性强；无需Python环境，适合Go服务集成。劣势：生态体量远不及PyTorch/Jax，模型库和社区资源较少；API更冗长，但换来透明性。
GoMLX的长期目标是什么？
官方长期目标包括：让Go成为训练模型的一等公民；成为高效的研究和教学平台，支持分布式训练；成为可靠的生产平台，支持TPU/GPU、更多后端（如llama.cpp、WebNN）、从HuggingFace导入模型微调，以及将模型编译为C库或WASM供任意语言消费。
