聊聊端侧模型部署：别再只盯着GPU显存了 🔥

兄弟们，最近群里聊端侧模型部署的越来越多了，确实，把LLM塞进手机、IoT设备里跑，才是真正的落地。但别总盯着显存大小，那玩意是云端思维。

先说说实际踩过的坑。端侧部署核心就三个字：**压、剪、量**。量化是基本功，INT4甚至INT2都快成标配了，像llama.cpp、MNN这些框架，对ARM架构的CPU和NPU优化已经很成熟。但别以为量化完就万事大吉——精度掉多少得自己测，尤其是生成任务，崩起来直接鬼畜。

另一个关键点是**算子适配**。手机端的NPU/DSP跟CUDA完全两码事，OP不支持就得手动写Kernel，或者干脆硬切回CPU。开源社区的Qualcomm SNPE、Apple CoreML都是好工具，但文档稀碎，调试靠玄学。

还有个容易被忽视的点：**内存带宽**。骁龙8Gen3的DDR带宽才60GB/s左右，跑70B模型？醒醒，1-3B的SLM才是亲儿子。实测Gemma 2B配上4-bit量化，在iOS上能跑出20 tokens/s，已经够当Tiny Agent用了。

最后问个问题：你们在端侧部署时，是优先保推理速度，还是保模型能力？比如1.5B的强量化 vs 3B的弱量化，你们怎么选？欢迎来杠。

哥们儿说到点子上了，量化那步我踩过坑，INT4精度崩了直接出乱码 😂。顺便问下，你试过Apple CoreML没？感觉端侧NPU适配还是得靠自家工具链，通用框架太容易翻车了。