用途：为消费级 NVIDIA GPU（8–24GB 显存）提供基于证据的 GPU 优化模式，覆盖训练与数据预处理环节。使用前需先填写硬件档案：GPU 型号、显存、CUDA 版本、TDP/功耗限制、驱动版本；显存容量决定可用策略。
主要能力：1) XGBoost GPU 加速，推荐 QuantileDMatrix（资料称约快 1.8 倍），关键参数含 tree_method='hist'、device='cuda:0'、max_bin、grow_policy、predictor='gpu_predictor'，并提供 GPU 可用性校验与 QuantileDMatrix 复用。2) PyTorch 混合精度，优先 BF16（Ampere 及以上原生支持、无需 GradScaler），否则 FP16 配合 GradScaler。3) 显存管理：梯度检查点（资料称省约 40% 显存、增约 20% 计算）、显存监控、梯度累积、显存优化实验设计。4) 向量化：用张量查找替代 Python 循环、register_buffer 常驻 GPU、批处理。5) CuPy 迁移 NumPy（适合 >1M 元素），与 PyTorch 零拷贝互操作，安装 uv pip install cupy-cuda12x。6) cuDF 迁移 Pandas（适合 >1GB DataFrame），可直接构建 XGBoost DMatrix，安装 uv pip install cudf-cu12 --extra-index-url=https://pypi.nvidia.com。7) torch.compile、fused 优化器、cuDNN benchmark。8) 加权槽位损失与 Focal Loss。9) 位置嵌入与注意力掩码缓存。另含 nvidia-smi、torch.profiler、bottleneck 等诊断方式与迁移清单、反模式。
限制：仅覆盖 NVIDIA GPU，不含 AMD ROCm 与 Intel Arc；假设单 GPU，多卡 DDP/FSDP 未涉及；面向 8–24GB 消费级卡，数据中心卡策略可能不同；框架仅限 PyTorch、XGBoost、RAPIDS（CuPy/cuDF），不含 JAX、TensorFlow、MXNet；笔记本 GPU 受 TDP 限制，持续吞吐可能与桌面基准差异明显。性能提升为典型基准区间，实际取决于负载与硬件。