Sonoma系统CoreML模型生成速度较Ventura大幅变慢，求解决方法

性能下降优化 #

• 强制指定计算单元：Sonoma默认可能限制了CoreML的资源调度策略，在模型参数中添加computationUnits配置，强制调用所有可用硬件资源：

  let params_boosted = MLBoostedTreeRegressor.ModelParameters(
      maxIterations: 10000,
      computationUnits: .all
  )
  

  该配置会让模型充分利用M1的Neural Engine、GPU和CPU，避免系统保守调度导致的性能损失。

• 优化训练数据加载：如果训练数据是磁盘惰性加载模式，Sonoma的文件系统优化可能拖慢数据读取速度，改为全内存加载：

  // 禁用内存映射，将数据完全加载到内存中
  let inMemoryTrainingData = try MLDataTable(contentsOf: trainingDataURL, memoryMap: false)
  

• Game Mode无负面影响：Game Mode的作用是提升前台应用的资源优先级，不会导致性能下降。反而可以开启后测试，看是否能拉高你的应用调度优先级。

恢复Verbose训练日志 #

Sonoma调整了CoreML的默认日志级别，可通过Xcode Scheme设置恢复详细输出：

1. 打开Product > Scheme > Edit Scheme
2. 切换到Run > Arguments > Environment Variables
3. 添加环境变量COREML_DEBUG，值设为3（最高日志级别）
4. 重新运行代码，终端会显示每轮迭代的耗时、偏差等信息

也可以在代码中手动输出关键训练日志：

import os.log

let trainingLog = OSLog(subsystem: "your.app.bundle.id", category: "CoreMLTraining")
os_log(.info, log: trainingLog, "Training started with %d iterations", 10000)

额外排查动作 #

• 升级Xcode到15及以上版本：旧版Xcode在Sonoma上存在兼容性问题，适配新版本可解决部分底层调度bug
• 小迭代测试：将maxIterations改为1000，测试耗时比例是否依旧异常，排除大迭代次数下的调度差异
• 清理CoreML缓存：删除~/Library/Caches/com.apple.CoreML目录，清除旧系统残留的缓存文件

内容的提问来源于stack exchange，提问作者frankthechicken