（Futureverse维护者在这里）
...但上面的实际上每个子进程只使用1个核心：
我明白这里的误解了。你想在这里使用nbrOfWorkers()（from**future）而不是availableCores()（fromparallelly-reexport as-is fromfuture**）。这将给予你你所期望的：

> foreach(i = 1:5) %dopar% {
  nbrOfWorkers()
}
[[1]]
[1] 6
...
[[5]]
[1] 6

availableCores()返回1的原因（1）是因为future框架错误地试图阻止嵌套并行化。它通过设置控制并行工作者和CPU核心数量的选项和环境变量来实现这一点，包括options(mc.cores = 1L)。availableCores()正确地拾取了这一点。例如，这可以防止使用y <- mclapply(X, FUN)，cl <- makeCluster(avaiableCores())，或者plan(multisession)，如果已经在并行worker中运行。相反，nbrOfWorkers()反映了plan()指定的worker数量。在您的示例中，我们在plan(list(tweak(multisession, workers = 5), tweak(multisession, workers = 6)))的第二个级别的并行worker中设置了plan(multisession, workers = 6)。
为了让自己相信您确实在与您的设置并行运行，您可以采用https://future.futureverse.org/articles/future-3-topologies.html中的一个示例。
现在，并行 threads 和并行 processes（也就是parallel worker）是不一样的。你可以把 threads 看作是一种低得多的并行化机制。重要的是，future框架并不 * 限制并行worker中使用的 threads 的数量，包括data.table使用的并行线程的数量。因此，你需要显式调用：

data <- data.table::fread(.., nThreads = 6)

或者，如果你想灵活地适应当前的设置，

data <- data.table::fread(.., nThreads = nbrOfWorkers())

避免过度并行，或者您可以将data.table配置为：

## Set the number of parallel threads used by 'data.table'
## (the default is to use all physical CPU cores)
data.table::setDTthreads(nbrOfWorkers())
data <- data.table::fread(..;)

顺便说一句，在**doFuture**（〉= 1.0.0）中，如果用%dofuture%替换%dopar%，则不再需要registerDoFuture()。因此，并行阅读大量CSV文件的要点是：

library(doFuture)
plan(list(tweak(multisession, workers = 5), 
          tweak(multisession, workers = 6)))

files <- dir(pattern = "*.csv$")
res <- foreach(file = files) %dofuture% {
  data.table::setDTthreads(nbrOfWorkers())
  data.table::fread(file)
}

尽管如此，请注意，您的瓶颈可能是文件系统而不是CPU。当您并行阅读文件时，您可能会压倒文件系统，最终会减慢文件读取速度，而不是加快速度。有时候并行读取两到三个文件会更快，但更多的话就会适得其反。因此，您需要使用不同数量的并行工作器进行基准测试。
此外，现在，有一些R包高度专门用于高效地将数据文件读取到R中。其中一些包支持高效地读取多个文件。vroom包就是这样一个例子。