在FAQ页面上，它说scipy.linalg子模块为Fortran LAPACK库提供了一个更完整的 Package 器，而numpy.linalg试图能够独立于LAPACK进行构建。
我为svd函数的不同实现做了一些benchmarks，发现scipy.linalg.svd比numpy对应的更快：

然而，jax Package 的numpy，又名jax.numpy.linalg.svd甚至更快：

基准测试的完整笔记本可用于here。

除了错误检查之外，实际的工作似乎是在lapack中使用numpy和scipy完成的。
在没有做任何基准测试的情况下，我猜性能应该是相同的。

另一个区别是np.linalg.svd可以在大型数据数组上进行向量化的svd计算，其中sp.linalg.svd一次只做1。
例如：

import numpy as np
import scipy as sp

data = np.random.random((3,3))             # a single matrix
data_array = np.random.random((10**6,3,3)) # one million matrices

# numpy svd
R,S,V = np.linalg.svd(data)       # works
R,S,V = np.linalg.svd(data_array) # works

# scipy svd
R,S,V = sp.linalg.svd(data)       # works
R,S,V = sp.linalg.svd(data_array) # fails !!!

我还没有对此进行基准测试，但两者之间的直接1：1比较可能会显示sp.linalg.svd的计算速度更快，而当您需要在大型数据数组上计算svd时，np.linalg.svd可能更快（或至少更方便）。