README.md

WASM 部署示例

浏览器端 GBRT 推理（Native CPU 后端，GOOS=js GOARCH=wasm）。

构建

cp "$(go env GOROOT)/lib/wasm/wasm_exec.js" examples/wasm/
GOOS=js GOARCH=wasm go build -o examples/wasm/leaves.wasm ./examples/wasm

产物体积（参考，xgboost_smoke.json 5 棵树 / 8 特征）：

文件	约大小
leaves.wasm	~8–12 MB（含 Go runtime + tree 推理）
model.json（嵌入）	~15 KB
wasm_exec.js	~15 KB

本地预览

cd examples/wasm
python -m http.server 8080
# 打开 http://localhost:8080/index.html

冷启动与 batch 建议

指标	典型值	说明
WASM 下载 + 编译	0.5–2 s	取决于网络与浏览器；可 Service Worker 缓存
首次 leavesPredict	<10 ms	Native 标量遍历，无 WebGPU
稳态单条延迟	~10–50 µs 量级	小模型；大模型线性增长
推荐 batch	≥16 行/次	浏览器主线程；大批量用 Worker + 共享内存

后端：js 平台 Born 不可用，BackendNative 为唯一路径（见 tree/born_js.go）。

JS API

• leavesReady：true 表示 Go WASM 已初始化
• leavesPredict(features: number[])：返回单样本概率（binary logistic）

CI

.github/workflows/ci.yml 的 wasm job：

1. go build -o examples/wasm/leaves.wasm ./examples/wasm
2. 体积门禁：LEAVES_WASM_GATE=1 go test -run TestWasmBinarySizeGate（≤ 16 MiB）

部署性能报告

自动化 bench 未纳入 CI（需浏览器）。参考数据见 docs/benchmark-baseline.md §WASM vs Native；本地用 DevTools Performance 测量 leavesPredict。