计图Jittor（清华）

1. 收费情况

计图完全开源免费，基于MIT协议，学术和商业用途都不收费。框架本身无任何商业化订阅，这跟PyTorch/TensorFlow保持一致。但因为没有商业支撑，文档和教程的丰富程度远不如前者，学习成本间接更高——花在爬坑上的时间也是一种成本。

2. 核心优点

元算子（Meta Operator）的设计思路确实有创新——把常见的神经网络操作抽象成可组合的元操作，自动融合优化后性能提升明显。在特定benchmark上（如卷积网络推理），计图的运行效率比PyTorch高出不少。统一计算图的设计融合了动态图和静态图的优点，写起来像PyTorch一样灵活，但运行时有静态图的优化空间。清华计图团队学术产出也很强，在CVPR/ICCV等顶会上持续发论文，框架背后有扎实的学术支撑。

3. 不足之处

生态差距是硬伤。PyTorch有几十万个第三方库和预训练模型，计图的模型库可能不到百个——你大概率要自己从零实现或做模型迁移。社区极小，Github issue回复慢、中文以外的讨论几乎没有。工业界几乎没有公司在用（除了清华系的少数创业公司），简历上写'熟练使用计图'不如写PyTorch。文档以中文为主，国际化程度低，跟国际学术圈接轨困难。API设计上能看到不少PyTorch的影子，但又不够一致，习惯了PyTorch的人转过来会觉得别扭。

4. 适合人群

清华和合作高校的学生/研究人员——特别是导师要求用国产框架发论文的场景。对深度学习框架底层实现感兴趣、想做框架研发的学习者，计图的源码是很好的学习材料（比PyTorch精巧）。有国产化/信创需求、必须用国产框架的机构。但如果你是为了找工作、做工业项目或者参与国际开源社区，老老实实用PyTorch——计图目前更像是学术探索项目而非生产工具。

星级评价

⭐⭐⭐☆☆

综合评分 3/5 — 清华自研深度学习框架，元算子设计理念创新性强，学术背景硬核，但生态和社区规模与PyTorch差距悬殊，更适合研究与教学场景，工业落地成本偏高。