8月21日，摩尔线程发布了TensorFlow-MUSA v1.5。这是面向其MUSA架构GPU的TensorFlow插件，官方定位很直接：把MUSA设备注册为TF原生设备，开发者就能在摩尔线程的GPU上直接跑AI模型的训练和推理，不用修改原有模型代码。知乎如果你司的推荐、搜索、广告（搜广推）系统还跑在TensorFlow上，这次发布值得停下来看一眼——官方说得很明确，本次版本重点针对TensorFlow应用最广泛的搜索、广告、推荐核心场景做了深度优化。
但先别急着兴奋，有三笔账要算清楚。
为什么是TF，为什么是搜广推
在大厂做过算法的都懂这种尴尬：学术界早就PyTorch一统天下了，工业界的推荐系统却还有大量TensorFlow在跑。知乎问题「2026年，做深度学习研发还有人用TensorFlow吗」下面，回答很真实：学术界发论文肯定是torch一统天下，工业界体感还是TF，以及各家围绕自家业务封装的各种TF变体。知乎存量比想象中还大：TF的企业市场份额38%、25000多家公司在用，但顶级会议论文里用TF的只剩约15%。知乎而国内搜广推业务长期高度依赖TensorFlow等海外深度学习生态，向国产算力迁移时，框架兼容性不足、算子完备性欠缺、迁移成本较高，是常见的几类问题。知乎这正是TF-MUSA瞄准的存量：让这些团队用PyTorch重写模型不现实，但如果TF能直接跑在国产卡上，逻辑就成立了。
对摩尔线程自己来说，这一步也是连贯打法。MUSA生态本质上是一套贴着CUDA做的软件栈，80万注册开发者已经完成了生态的第一次迁徙。36氪此前Torch-MUSA、SGLang-MUSA、vLLM-MUSA陆续落地，这次TF-MUSA补上的是搜广推这块最大的存量资产。知乎
而且这次不是烧钱换吆喝。摩尔线程2026年上半年营收17.36亿元，同比大幅增长147.42%，已超2025年全年营收，毛利总额9.89亿元，同比增长103.78%。小红书2026年一季度归母净利润0.29亿元，是公司成立以来第一次单季盈利。36氪国产GPU的竞争已经从信创替补的叙事，走到了抢真实大客户订单的阶段，而TF-MUSA瞄准的，正是这批客户推荐系统的训推场景。
这次发了什么
具体拆开看：
支持TF 2.6.1和2.15.1两个版本，配合MUSA SDK 4.3.5或5.1.0使用，GitHub开源，同时提供预构建镜像；
全面兼容Wide&Deep、DeepFM、DCN、DIN、MMoE等经典模型，以及Wukong、RankMixer、OneTrans、TokenMixerLarge等前沿新架构模型。知乎
优化手段包括BF16/TF32精度、多流执行、算子融合与图优化、XLA编译。
这份模型名单值得多看两眼。WDL、DeepFM、DIN、MMoE是经典搜广推模型的底座，Wukong、RankMixer、OneTrans、TokenMixerLarge则是近两年新一代大规模推荐架构的名字——清单指向谁，很清楚。
三笔账
第一笔，版本账。 说的是支持TF，实际只支持两个版本：2.6.1和2.15.1。而且官方把话说得很明白：鉴于TensorFlow 2.15.1之后版本的功能增量有限，且移除了tf.estimator等早期特性，摩尔线程后续将主要维护TensorFlow 2.15.1版本。知乎而TF主线今年3月已经发到了2.21，发布说明里甚至写了一句不寻常的话：建议新生成式AI项目优先选择Keras 3、JAX或PyTorch。知乎所以现实是：你司TF版本落在2.6到2.15区间，这波红利才吃得到；还在跑1.x老代码的，完全不在这次覆盖范围里。第一步不是研究卡，是先查版本号。
第二笔，「不改代码」的边界账。 MUSA注册为原生设备，意味着官方清单里那些标准模型的训练推理代码确实可以不动。但「不改」不等于「不测」：模型里有自定义算子、自研量化工具，或者后面还挂着TFLite移动端链路的，都不在标准模型的承诺范围内，每一处都要单独回归。搜广推系统通常还深度耦合自家特征处理库，这部分风险只有自己评估过才知道。
第三笔，性能账。 官方给出的MTT S5000实测数据：以前沿新架构模型TokenMixerLarge为例，单步训练耗时138.048ms，相较国际主流GPU加速比达到1.81倍。知乎官方同时表示，在TokenMixerLarge等前沿搜广推模型的训练中，训练吞吐相较国际主流GPU可提升1.5倍至1.85倍。两个提醒：其一，这是厂商实测数据，对比对象只写了「国际主流GPU」，没有点名具体型号；其二，作为参照，公开测评里torch.compile在标准基准上带来的提速一般是30-60%，TF的XLA在同等条件下为20-40%。知乎方向可以乐观，做容量规划时请用自家业务实测的数字。
谁该搬，谁该等
三笔账算完，可以对号入座：
TF版本在2.6-2.15、且有信创或国产算力指标的团队：值得先动手。拉一个预构建镜像，把DeepFM、DIN、MMoE这类基准模型跑起来，先拿到自家模型的实测报告，成本最多几天。
TF 1.x老系统：先别盯MUSA，把升级到2.15.1或者技术债清偿排上日程——连Google自己都要靠专门的AI智能体系统来加速内部TF 1.x代码的迁移。知乎
已经用上TF 2.16+或Keras 3的代码：观望。官方策略冻结在2.15.1，短期内增量支持有限。
学术研究和新项目方向：Torch-MUSA更对口，不必绕道。
摩尔线程自身的基本面也要看一眼。亏损收窄是真的，但公司扣非归母净利润仍亏1.51亿元，利润口径要拆开看。小红书业务面上，MTT S5000智算集群已实现规模化销售。小红书下半年供货和集群落地的持续性，会决定它对生态投入的持续性。
值得继续盯的信号
准备动手的团队，建议把这几个信号盯起来再开工：
tensorflow-musa在GitHub上的算子覆盖度和issue响应速度——框架生态项目最怕热乎三个月；
是否出现第三方（非摩尔线程）的S5000搜广推基准测试数据；
其他国产卡厂商是否跟进TF支持——只有一家支持的话，绑定风险是真实存在的；
摩尔线程下半年的供货与大客户落地进展。
对TF现在的处境，Reddit上有个流传很广的比喻：TensorFlow是「ML界的COBOL」，没人拿它写新系统，但运行在无数核心基础设施上。知乎对握着这份存量资产的团队来说，国产卡第一次开出了一扇写着「不用重写」的门。要不要走进去，先把上面三笔账算清楚。
