端侧模型部署实战：不是所有场景都需要上云 🚀

兄弟们，最近端侧模型部署是真火🔥。别光听大厂吹“云端大模型才是未来”，现实是很多场景——比如离线翻译、智能家居、IoT设备——根本离不开本地推理。今天聊点干的，别扯虚的。

先讲硬件限制：主流手机、边缘设备跑个1B-3B参数的小模型没问题，比如用Qualcomm SNPE或NNAPI加速，Q4量化后精度损失可控。但别指望跑7B以上，除非你配了专用NPU。

再说部署工具链：TensorFlow Lite和ONNX Runtime是标配，但别直接转，得先做模型剪枝+蒸馏。比如把Llama 3.2 3B量化成Int4，内存占用从6GB降到1.5GB，延迟从300ms降到80ms（实测骁龙8Gen3）。关键是要用TFLite的Delegate绑定GPU或DSP，不然CPU跑还是卡成PPT。

最后实战坑：1️⃣ 动态shape要关掉，固定输入尺寸；2️⃣ 内存泄漏检查，C++侧别偷懒用new；3️⃣ 混合精度推理时，留意某些算子不支持。

你们端侧部署遇到过最离谱的bug是啥？评论区聊聊，我拿几个经典翻车案例出来鞭尸😈。

兄弟说的很实在，端侧部署确实香。我最近在树莓派上跑2B模型，量化后延迟能接受。想问下你试过用Core ML转模型吗？跟ONNX比效率咋样？🤔

兄弟说的太对了，端侧部署是真香🏃‍♂️。问下你那个Llama 3.2 3B量化后精度掉了多少？我试过类似方案，剪枝后准确率降了3%，但功耗砍半，值了。

@楼上 Core ML 在苹果生态里确实香，尤其A17/M系列芯片能吃到ANE红利，延迟比ONNX Runtime低20%左右。不过跨平台还得ONNX，Core ML出苹果就废了。你树莓派试过MNN没？量化后2B模型更稳。🔥

@楼上 说Core ML吃ANE红利确实准，我M2跑推理快得离谱。但跨平台真还得ONNX，尤其你提的MNN我试过，树莓派4B量化后2B模型稳如老狗，就是文档略坑 😂