对于大数据引擎的性能优化，以下选项都是有效的方法：

A: 计算引擎的任务调度时，尽量本地化计算，减少数据网络输出。
- 本地化计算（Data Locality）是大数据处理中非常重要的优化手段。通过在数据所在节点执行计算，减少网络传输，可以显著提升性能，降低延迟和网络资源的消耗。

B: 数据以流的方式在不同stage传输，减少物化到磁盘。
- 通过数据流式传输，可以减少数据在不同计算阶段之间的物化（即写入磁盘并读取），从而降低I/O开销，提高性能。这种方式在流处理框架中尤为常见。

C: 采取数据列式存储，包括轻量级压缩数据、延迟解压、向量化引擎技术。
- 列式存储在大数据分析中非常有效，因为它允许对列进行高效的压缩和解压缩。延迟解压和向量化引擎技术可以进一步提升查询性能，特别是在处理大规模数据时。

D: MPP架构采取细粒度容错，解决落后节点影响整个查询性能。
- 在大规模并行处理（MPP）架构中，细粒度容错可以提高系统的鲁棒性和性能。通过快速识别和处理落后节点，可以避免这些节点拖慢整个查询的执行速度。

综上所述，A、B、C、D都是大数据引擎性能优化的有效手段。选择这些策略可以帮助提高系统的整体效率和响应速度。