用途：MuJoCo Accelerated 介绍 MuJoCo 的两个 Python 加速后端——MJX（JAX，可在 CPU/GPU/TPU 运行）与 MJWarp（CUDA，面向 NVIDIA GPU），用于批量物理仿真与强化学习 rollout，与 CPU 版 mujoco-python、mujoco-studio 互为补充。两者均为 Python-only 后端，标准 CPU 仿真仍以 import mujoco 使用 float64。
主要能力：MJX 将模型与数据转为不可变 JAX pytree，精度为 float32，支持 JAX 自动微分，可用 jax.vmap 做批量并行、jax.lax.scan 做多步轨迹展开，并提供 bind() 命名访问读写字段。MJWarp 提供 CUDA 原生批量，一次推进多个 world（如 nworld=4096），支持约束岛（Constraint Islands），仅支持 SDF 插件，不支持全部引擎插件。CPU 引擎支持 Newton、CG、PGS、noslip 求解器；MJX 与 MJWarp 只支持 Newton、CG，noslip 与 PGS 仅 CPU 可用。
用法要点：MJX 流程为 mjx.put_model、mjx.put_data、mjx.step，再用 mjx.get_data_into 拷回 CPU；批量用 jax.vmap(mjx.step, in_axes=(None, 0)) 并 jax.jit 编译。MJWarp 用 mjw.put_data(model, data, nworld=..., nconmax=..., njmax=...) 或 mjw.make_data，再 mjw.step 原地推进，可用 mjw.get_data_into(..., world_id=0) 取回单 world。JAX 要求静态形状，接触与约束缓冲在创建设备数据时确定：MJX 接触缓冲由模型推导，put_data 的 njmax 被忽略，可用 MJCF custom numeric 的 max_geom_pairs、max_contact_points 收缩缓冲；MJWarp 由 nconmax、naconmax、njmax 显式设定，超限会丢接触、打印警告并置 d.overflow。
适用场景与限制：适合需要大规模并行、可微分仿真的训练与轨迹生成。注意 float32 精度可能带来数值漂移或 NaN，可通过增大 opt.iterations 或减小 opt.timestep 缓解；MJX 数据不可原地赋值，需用 .replace()；长时间重编译可通过 jax.config.update('jax_compilation_cache_dir', '/tmp/jax_cache') 启用持久缓存。几何碰撞支持矩阵、求解器与插件差异见原文，未提供更多细节。