相比于傳統的MapReudce，MaxCompute提供的擴展MapReduce模型（簡稱MR2）改變了底層的調度和IO模型，可避免作業時冗余的IO操作。

與MaxCompute相比，MR2在Map、Reduce等函數編寫方式上基本一致，較大的不同點發生在執行作業時，示例請參見Pipeline示例。

MR2模型產生背景

傳統的MapReduce模型要求在經過每一輪MapReduce操作后，得到的數據結果必須存儲到分布式文件系統中（例如，HDFS或MaxCompute數據表）。MapReduce模型通常由多個MapReduce作業組成，每個作業執行完成后都需要將數據寫入磁盤，然而后續的Map任務很可能只需要讀取一遍這些數據，為之后的Shuffle階段做準備，這種情況就產生了冗余的磁盤IO操作。

MaxCompute的計算調度邏輯可以支持更復雜的編程模型， 針對上述情況，可以在Reduce后直接執行下一次的Reduce操作，而不需要中間插入一個Map操作。因此，MaxCompute提供了擴展的MapReduce模型，即可以支持Map后連接任意多個Reduce操作，例如Map>Reduce>Reduce。

與Hadoop Chain Mapper/Reducer對比

Hadoop Chain Mapper/Reducer也支持類似的串行化Map或Reduce操作，但和MaxCompute的擴展MapReduce（MR2）模型有本質的區別。

Chain Mapper/Reducer基于傳統的MapReduce模型，僅可以在原有的Mapper或Reducer后增加一個或多個Mapper操作（不允許增加Reducer）。這樣的優點是，您可以復用之前的Mapper業務邏輯，把一個Map或Reduce拆成多個Mapper階段，同時本質上并沒有改變底層的調度和I/O模型。