MNN推理引擎最新实测，CPU、GPU性能全面领先！

但这再也不是当年从2000ms降低到700ms那样的飞跃了。

而如果我们放眼大一些的模型，比如Inception V3，那么情况会是：

又或是打开ARM v8.2的情况下，不论是fp16还是quant，性能都可以有一段跃迁：

你看，可以为业务带来质变优化的点依然存在。而这些，正是我们暂时按下ARM优化的原因。

通用性

---

除了性能，用户最为关心的指标就是通用性。性能再好，业务模型跑不起来都白搭。而MNN背靠阿里巴巴的众多智能场景，久经各方业务的磨炼，在支持算子的数量、算子实现的质量上，都可谓久经考验。但如果不是MNN的死忠粉，可能都很难意识到，我们在通用性方面下的苦功。

模型转换上，我们没有将Caffe、TensorFlow、TensorFlow Lite的转换转嫁给三方的工具，尽量避免模型格式间转换导致的失败。从开源到现在，在支持的转换算子总量上，MNN翻了一番还多。

算子实现上，我们在计算后端的支持上，应该也是业界最广的。除了前文所述的ARM v8.2，我们在GPU算子的支持上，也不遑多让。