相比於傳統的MapReudce，MaxCompute提供的擴充MapReduce模型（簡稱MR2）改變了底層的調度和IO模型，可避免作業時冗餘的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，樣本請參見Pipeline樣本。
MR2模型產生背景
傳統的MapReduce模型要求在經過每一輪MapReduce操作後，得到的資料結果必須儲存到Distributed File System中（例如，HDFS或MaxCompute資料表）。MapReduce模型通常由多個MapReduce工作群組成，每個作業執行完成後都需要將資料寫入磁碟，然而後續的Map任務很可能只需要讀取一遍這些資料，為之後的Shuffle階段做準備，這種情況就產生了冗餘的磁碟IO操作。
MaxCompute的計算調度邏輯可以支援更複雜的編程模型， 針對上述情況，可以在Reduce後直接執行下一次的Reduce操作，而不需要中間插入一個Map操作。因此，MaxCompute提供了擴充的MapReduce模型，即可以支援Map後串連任意多個Reduce操作，例如Map>Reduce>Reduce。
與Hadoop Chain Mapper/Reducer對比
Hadoop Chain Mapper/Reducer也支援類似的序列化Map或Reduce操作，但和MaxCompute的擴充MapReduce（MR2）模型有本質的區別。
Chain Mapper/Reducer基於傳統的MapReduce模型，僅可以在原有的Mapper或Reducer後增加一個或多個Mapper操作（不允許增加Reducer）。這樣的優點是，您可以複用之前的Mapper商務邏輯，把一個Map或Reduce拆成多個Mapper階段，同時本質上並沒有改變底層的調度和I/O模型。