声明式类 R 语言
提供语法接近 R 的声明式脚本语言栈，按数据科学流程的不同任务以及不同专业程度的用户分层，高层脚本不需要手写分布式细节。
官方说明 ↗SystemML
AI TOOL PROFILE工具资料Apache 开源的声明式机器学习系统，用类 R 语法跨本地与 Spark 执行
价格官网未标价
平台Spark
归类论文与学术
收录2026-07-10
复核2026-07-10
编辑评分
4.2 / 5
★★★★☆
SystemML编辑总结
SystemML（现以 SystemDS 名义维护）是 Apache 软件基金会下的开源机器学习系统，覆盖数据集成、清洗、特征工程到分布式模型训练与部署的完整数据科学流程。它提供类 R 语法的声明式脚本语言，脚本会被编译成本地内存中 CPU、GPU 操作与 Apache Spark 分布式操作混合的执行计划，让同一份高层脚本既能在单机跑也能扩到集群。项目的 Documentation 页面按版本列出从 0.12.0 到 3.3.0 共 14 个发布版本及对应 Release Notes。官网未公开具体定价档位与企业支持服务细则。
SystemML是什么？
SystemML 是 Apache 软件基金会下的开源机器学习系统，面向需要把数据科学流程从数据接入一直做到模型部署的团队。它把数据集成、清洗、特征工程、模型训练与部署服务串成一条端到端链路，而不是只做其中某一环。
它提供的核心是声明式语言栈，语法接近 R，并针对数据科学流程的不同任务、不同专业程度的用户做了分层。用户写的高层脚本不会直接执行，而是先被编译成本地内存中 CPU、GPU 操作与 Apache Spark 分布式操作的混合执行计划，因此同一份脚本可以在单机环境下运行，也可以在 Spark 集群上横向扩展。
使用方式按角色区分：只写分析脚本的数据科学家直接上手类 R 语法；需要调优的执行细节交给编译与执行计划层；工程和运维侧则关心它在本地内存与 Spark 集群两种运行形态之间的切换。文档按版本提供编程指南、参考指南与 API 文档。
SystemML核心功能
SystemML值不值得用？
把 SystemML 当作「同一份类 R 脚本、单机和 Spark 集群都能跑」的机器学习执行层来用是值得的：从数据集成、清洗、特征工程一直到训练与部署，链路是打通的一套，而不是分散的几个库；脚本被编译成本地 CPU、GPU 与 Spark 混合执行计划，切换运行规模时不必重写逻辑。需要留意的是它的使用场景偏工程化，需要能接受声明式语言栈与编译执行这一套模型；文档按版本切分，跨版本迁移时要对照具体版本的 Release Notes。官网未公开价格与商业化支持信息，是否引入要看团队是否有自建与运维 Spark 环境的条件。
建议选它的情况
- 已有 Spark 集群、希望把数据清洗到模型训练统一成一套脚本的团队
- 习惯 R 语法、又想跑分布式训练的数据科学家
- 需要同一份脚本在单机调试、在集群上扩展的工程场景
不建议选它的情况
- 想开箱即用、不打算接触声明式脚本与编译执行概念的用户
- 只有小规模 Notebook 需求、不需要分布式执行计划的场景
- 需要官方明确商业支持与定价承诺的采购流程
SystemML使用建议
入门先把路子走对
- 先对版本号打开 Documentation 页面先确认你要用的版本行，SystemML 与 SystemDS 的版本号在 0.12.0 到 3.3.0 之间连续排列，先锁定版本再读编程指南。
- 从编程指南入手编程指南、参考指南、API 文档是三类不同文档，先读编程指南建立脚本写法，再按需查参考指南和 API 细节。
- 本地先跑通脚本先在本机内存模式下跑通逻辑，再切到 Apache Spark 上验证分布式执行计划，避免一上来就在集群里排查问题。
进阶省时间也省钱
- 对照 Release Notes 升级每个发布版本都配有 Release Notes，跨版本升级前逐条对照，比直接替换版本号更容易定位行为变化。
- 按数据规模选执行后端数据能放进单机内存时用本地 CPU、GPU 操作，超出后再交给 Spark 分布式操作，避免为小数据付集群调度开销。
SystemML适合谁用？
数据科学家
推荐熟悉 R 语法、要写特征工程与模型训练脚本的人可以直接上手声明式语言，不必自己写分布式调度。
机器学习平台工程
推荐需要把清洗、训练、部署串成一条流水线，并让脚本在单机与 Spark 之间切换的工程团队较匹配。
Apache Spark 运维
推荐已有 Spark 集群、想在上面跑高层机器学习脚本的运维与平台侧人员，执行计划层会直接用到集群资源。
只做小规模分析的人
有条件如果日常只是单机 Notebook 里跑小数据，引入声明式语言栈与编译执行计划带来的学习成本可能超过收益。
需要商业支持采购的团队
有条件官网未公开价格与商业支持细则，走采购流程、需要明确服务承诺的团队要先确认这些信息是否可得。
SystemML优点和缺点
优点
- 覆盖从数据集成、清洗、特征工程到训练与部署的完整链路，不是单点库
- 类 R 语法的声明式脚本，无需手写分布式执行细节
- 同一份脚本编译成本地 CPU、GPU 与 Spark 混合执行计划
- Documentation 页按 0.12.0 至 3.3.0 逐版本提供指南与 API 文档
- 每个发布版本配有 Release Notes，便于对照升级
- Apache 开源项目，可自行部署与改造
缺点
- 官网未公开具体定价档位与商业支持方案
- 需要具备 Spark 或本地内存执行环境的配置能力
- 声明式语言栈与编译执行模型有学习门槛
- 文档按版本切分，跨版本迁移需逐版本核对
SystemML常见问题
SystemML 和 SystemDS 是同一个东西吗？＋
是同一项目的两个名称。官网首页以 SystemDS 介绍这套开源机器学习系统，而 Documentation 页面按版本列出的条目写作 SystemML/DS，版本号从 0.12.0 一直排到 3.3.0。查阅资料时按具体版本号定位即可，不必把两者当成两套产品。
它用什么语言写脚本？＋
它提供的是类 R 语法的声明式语言栈，并且按数据科学流程的不同任务、不同专业程度的用户做了分层。写高层脚本时不需要手写本地与分布式执行细节，这些由编译阶段生成的混合执行计划来处理。
能跑在什么执行环境上？＋
脚本会被编译成本地内存中的 CPU 与 GPU 操作，以及 Apache Spark 上的分布式操作，两者构成混合执行计划。因此既可以在单机内存模式下运行，也可以放到 Spark 集群上扩展，同一份高层脚本不必为两种规模各写一遍。
有哪些版本的文档可以参考？＋
Documentation 页面为每个发布版本提供编程指南、参考指南与 API 文档，列出的版本包括 0.12.0、0.13.0、0.14.0、0.15.0、1.0.0、1.1.0、1.2.0、2.0.0、2.1.0、2.2.2、3.0.0、3.1.0、3.2.0 与 3.3.0，每个版本都附带对应的 Release Notes。
免费还是要付费？＋
官网未公开具体定价档位、企业支持套餐或商业授权费用。作为 Apache 软件基金会下的开源项目，代码可自行获取与部署；如果涉及采购流程，需要先确认官方是否提供对应的商业支持与报价信息。
