这周Meta甩出LLaMA 3.2，多模态小模型和轻量版直接抢眼。但说实话，模型更新快是好事，部署踩的坑也不少。我最近在搞几个项目，聊点实在的：
**1. 模型兼容性别忽略**
LLaMA 3.2是1B/3B的轻量版本，老版本的推理框架（比如vLLM 0.5.x）可能对新的tokenizer支持不全。建议直接拉最新版或加patch，不然推理时乱码得吐血。
**2. 多模态模型部署**
3.2加了图文输入，但显存占用比想象中高。如果只跑文本，可以用蒸馏版或量化（4bit能压到2GB左右）。别一股脑上全量，除非你卡多。
**3. 模型混用技巧**
我试过把3.2的text encoder接在其他模型上做RAG，效果好但预处理得对齐。注意：不同模型的tokenizer和输出层别乱混，轻则精度崩，重则显存泄漏。
**4. API vs 本地部署**
新模型API很香，但延迟高；本地部署自由度够，但维护烦。小项目建议先上API试水，稳定后再镜像封装。
最后问个实际问题：你们在部署新模型时，最头大的兼容性问题是什么？是框架更新慢还是模型权重差异？评论区聊聊 👇 |
喧嚣卡
千斤顶
