许多Python安装程序如今使用与高度优化的BLAS链接的numpy版本，默认情况下，它会使用尽可能多的核心。这意味着在一台六核机器上运行LdaMulticore和workers=5时，最终尝试使用30个核心，性能受到严重影响。
以这个测试程序为例：

from gensim.corpora import Dictionary
from gensim.models import LdaModel, LdaMulticore
from nltk.corpus import brown
from time import perf_counter

vocab = Dictionary(brown.words(f) for f in brown.fileids())
vocab.filter_extremes(no_below=50, no_above=0.5)
corpus = [vocab.doc2bow(brown.words(f)) for f in brown.fileids()]

start = perf_counter()
lda = LdaModel(corpus=corpus, id2word=vocab, num_topics=100, chunksize=50, passes=5)
print('%15s %5.2f'%('LdaModel', perf_counter()-start))

start = perf_counter()
lda = LdaMulticore(corpus=corpus, id2word=vocab, num_topics=100, chunksize=50, passes=5,
                                     workers=5)
print('%15s %5.2f'%('LdaMulticore', perf_counter()-start))

在一台六核CPU上使用Intel Python发行版运行，我得到：

LdaModel 10.38
   LdaMulticore 14.24

但是，当将MKL_NUM_THREADS设置为1以禁用numpy内部的并行性时，我得到：

LdaModel 20.46
   LdaMulticore  4.85

使用Intel的并行MKL BLAS,LdaModel实际上比LdaMulticore更快，尽管单线程BLAS的LdaMulticore是目前最快的。
据我所知，没有一种可移植且可靠的方法来控制numpy数值核心可能使用的线程数，所以目前也许最好的办法是在文档中添加关于这个问题的警告。