标签：延迟

2026-03-17andy阅读(44)评论(0)

如何优化大模型首词延迟：详解预填充阶段的量化加速技巧 在大语言模型（LLM）的部署实践中，首词延迟（Time to First Token, TTFT）是影响用户交互体验的核心指标。当用户输入较长的 Prompt 时，模型需要经历一个漫长的...

2026-03-10andy阅读(41)评论(0)

如何优化 Android 端 AI 模块启动：详解动态库的延迟加载策略 在 Android 端集成 NCNN、MNN 或 TensorFlow Lite 等 AI 框架时，开发者常面临一个难题：这些框架生成的 .so 动态链接库通常很大（往...

2026-03-08andy阅读(52)评论(0)

如何通过共享内存机制消除 TEE 内部推理的 Normal/Secure World 拷贝延迟 在端侧 AI 安全推理场景中，为了保护模型权重或输入数据（如人脸特征、指纹信息），开发者通常将推理引擎部署在 TEE（可信执行环境，如 OP-T...

2026-03-04andy阅读(77)评论(0)

如何利用 vLLM 实现大语言模型的高吞吐与低延迟推理部署 在 LLM（大语言模型）的生产级部署中，推理延迟和吞吐量是衡量系统性能的核心指标。传统的推理框架由于 KV Cache 管理效率低下，往往面临内存碎片化严重、显存利用率低等挑战。v...

2026-03-03andy阅读(62)评论(0)

如何利用 MNN 缓存机制缩短首帧推理延迟：解决预热过程中的卡顿问题 在移动端部署 AI 模型时，开发者常遇到“首帧卡顿”现象。这主要是因为 MNN 在首次推理时需要进行图优化、内存布局分配，尤其是使用 GPU (OpenCL/Vulkan...

2026-02-28andy阅读(73)评论(0)

如何理解 Go 语言 defer 性能的演进：从堆分配到开放编码 在 Go 语言中，defer 是一个非常实用的关键字，用于确保资源（如文件句柄、互斥锁）在函数返回前被正确释放。然而，defer 在早期版本中的性能开销一直是开发者讨论的热点...

2026-02-24andy阅读(334)评论(0)

1. 为什么大模型推理会受限于 HBM？ 在大模型（LLM）推理过程中，Transformer 架构中存在大量的逐元素（Element-wise）操作，如 Add、LayerNorm、Mul 和 Silu 等。在标准的执行流中，每个算子都需...

2026-02-16andy阅读(80)评论(0)

在移动端进行实时视频流AI推理，最大的性能瓶颈往往不在模型计算本身，而在于数据在CPU和GPU之间的搬运（内存拷贝）以及颜色空间转换（YUV到RGB）。传统的处理流程是：摄像头采集YUV数据 -> CPU接收 -> CPU进行YUV转RGB...

2026-02-06andy阅读(153)评论(0)

如何通过本地持久化卷解决K8s数据库I/O延迟问题：进阶性能优化方案 在Kubernetes (K8s) 中运行数据库等对I/O性能要求极高的有状态应用时，传统的网络存储（如NFS、云提供商的EBS或GCE PD）往往会引入不可接受的I/O...

2026-02-06andy阅读(111)评论(0)

在构建灵活的深度学习模型时，我们经常需要创建自定义 Layer（层）或 Model（模型）。然而，这些自定义组件内部的权重（例如，全连接层中的 W 矩阵）往往依赖于输入数据的特征维度。如果我们在 Layer 的 __init__ 方法中就尝...