iree
IREE（发音同 eerie）是一个基于 MLIR 构建的端到端机器学习编译器与运行时工具包。它的核心使命是让机器学习模型能够高效地运行在各种硬件平台上。
在实际应用中，开发者常面临模型部署的难题：不同厂商的芯片架构各异，从云端数据中心到移动端边缘设备，适配成本高昂。IREE 通过生成统一的中间表示（IR），屏蔽了底层硬件差异，实现了高效的跨平台部署方案。无论是训练好的大模型还是轻量级应用，IREE 都能根据目标设备的约束进行优化，确保性能表现。
这个项目非常适合 AI 工程师、系统开发人员以及致力于模型落地的研究者。其技术亮点在于强大的可重定向能力，支持包括 CPU、GPU、NPU 在内的多种后端加速，并已成功加入 Linux 基金会 AI 与数据基金会。如果你正在寻找解决跨平台模型推理性能问题的方案，IREE 提供了一个成熟且活跃的开源选择。
使用场景
某自动驾驶初创团队急需将训练好的 YOLOv8 目标检测模型同时高效部署到云端 GPU 服务器和车载嵌入式芯片上。
没有 iree 时
- 需要为不同硬件维护多套推理引擎代码，开发和维护成本极高且易出错。
- 模型转换格式不统一，TensorFlow 和 PyTorch 需分别适配特定后端环境。
- 边缘设备性能优化困难，难以自动发挥 NPU 或 GPU 的底层硬件特性。
- 跨平台迁移时容易出现精度丢失，导致反复调试严重延长产品上线周期。
使用 iree 后
- iree 提供统一的中间表示，一套编译流程即可生成多种后端可执行文件。
- 自动针对目标硬件进行算子融合与内存优化，显著提升推理速度与能效。
- 支持从云端数据中心到移动端的无缝部署，大幅减少重复适配工作量。
- 保持模型精度高度一致，简化了跨设备测试验证流程，加快业务迭代节奏。
iree 通过统一编译架构显著降低了多端部署的复杂度并提升了运行效率。
运行环境要求
- Linux
- macOS
未说明
未说明
快速开始
IREE：中间表示执行环境
IREE（Intermediate Representation Execution Eenvironment，读音为"eerie"）是一个基于 MLIR（机器学习中间表示）的端到端编译器和运行时，它将机器学习（ML）模型转换为统一的 IR（中间表示），该 IR 既能向上扩展以满足数据中心的需求，也能向下适配以满足移动和边缘部署的约束及特殊考量。
有关项目详情、用户指南以及从源代码构建的说明，请参阅 我们的网站。
项目新闻
- 2025-04-02: AMD 向 MLPerf 基准测试套件提交了一个基于 IREE 的 SDXL 实现
- 2024-05-23: IREE 作为沙盒阶段项目加入 LF AI & Data 基金会
项目状态
发布状态
发布说明已发布在 GitHub releases。
| 包 | 发布状态 |
|---|---|
| GitHub 发布（稳定版） |  |
| GitHub 发布（夜间构建版） |  |
iree-base-compiler |
 |
iree-base-runtime |
 |
关于发布流程的更多详情，请参阅 https://iree.dev/developers/general/release-management/。
构建状态
夜间构建状态
| 操作系统 | 构建状态 |
|---|---|
| Linux |  |
| macOS |  |
| macOS |  |
有关工作流程的完整列表，请参阅 https://iree.dev/developers/general/github-actions/。
沟通渠道
- GitHub 问题：功能请求、错误报告及其他工作跟踪
- IREE Discord 服务器：与核心团队及协作者进行的日常开发讨论
- (新) iree-announce 邮件列表：公告
- (新) iree-technical-discussion 邮件列表：一般性及低优先级讨论
- (遗留) iree-discuss 邮件列表：公告、一般性及低优先级讨论
相关项目渠道
- LLVM Discourse 中的 MLIR 主题： IREE 由 MLIR 支持并高度依赖它。在某些 MLIR 讨论中有时会提到 IREE。如果您也对 MLIR 的演进感兴趣，这将很有用。
架构概述
有关更多信息，请参阅 我们的网站。
演讲与报告
社区会议录像：IREE YouTube 频道
| 日期 | 标题 | 录像 | 幻灯片 |
|---|---|---|---|
| 2025-06-10 | IREE 中的数据分块：通过编译器设计实现高性能 (AsiaLLVM) | recording | slides |
| 2025-05-17 | GPU 架构与 IREE GPU CodeGen (代码生成) 流水线介绍 | recording | slides |
| 2025-02-12 | AI 长尾效应：IREE 和 MLIR (多级别中间表示) 中的 SPIR-V (Vulkanised) | recording | slides |
| 2024-10-01 | 揭秘 IREE 内部工作原理：面向多样化硬件的基于 MLIR 的编译器 | recording | |
| 2021-06-09 | IREE 运行时设计技术讲座 | recording | slides |
| 2020-08-20 | IREE CodeGen (MLIR 开放设计会议) | recording | slides |
| 2020-03-18 | 交互式 HAL (硬件抽象层) IR (中间表示) 导览 | recording | |
| 2020-01-31 | IREE 中的端到端 MLIR 工作流 (MLIR 开放设计会议) | recording | slides |
许可证
IREE 根据 Apache 2.0 许可证条款及 LLVM 例外条款进行许可。 有关更多信息，请参阅 LICENSE。
版本历史
iree-3.12.0rc202604052026/04/05iree-3.12.0rc202604042026/04/04iree-3.12.0rc202604032026/04/03iree-3.12.0rc202604022026/04/02iree-3.12.0rc202604012026/04/01iree-3.12.0rc202603312026/03/31iree-3.12.0rc202603302026/03/30iree-3.12.0rc202603292026/03/29iree-3.12.0rc202603282026/03/28iree-3.12.0rc202603272026/03/27iree-3.12.0rc202603262026/03/26iree-3.12.0rc202603252026/03/25iree-3.12.0rc202603242026/03/24iree-3.11.0rc202603232026/03/23iree-3.11.0rc202603222026/03/22iree-3.11.0rc202603212026/03/21iree-3.11.0rc202603202026/03/20v3.11.02026/03/19iree-3.11.0rc202603192026/03/19iree-3.11.0rc202603182026/03/18常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。