大模型如何在边缘端优化与部署
哪些公司问过
答案要点
- 选合适规模的小模型或蒸馏小模型
- 量化为主:INT8/INT4 权重量化,如 GPTQ、AWQ
- 按硬件选推理引擎:llama.cpp、TensorRT-LLM、NPU SDK 等
- KV Cache 管理、算子融合、内存复用,限制上下文长度
- 在目标设备测首 token 延迟、吞吐、内存和功耗
易错点
- 只讲 BERT 时代的小模型方法,不提大模型量化
- 忽略 KV Cache 的内存占用
- 不在真实设备上测功耗和发热
面试官常见追问
- 为什么大模型解码阶段是访存瓶颈?
- 量化后精度下降怎么办?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。