首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >(会议纪要)2026 DevFest北京AI分会技术分享

(会议纪要)2026 DevFest北京AI分会技术分享

原创
作者头像
芦笛
发布于 2026-11-22 19:13:41
发布于 2026-11-22 19:13:41
110
举报

一、端侧模型推理原理与Llama.cpp实践

端侧模型发展前景与生态定位

认知核心小型化趋势:Capacitor在2024年提出剔除无关知识、保留推理能力的认知核心概念,预计2025年可实现数B规模本地模型与云端大模型互补

设备能力快速增长:学术界密度定律认为模型能力约3.5个月提升一倍;干测模型从2023年7月22B发展到2026年可运行30B

Llama.cpp编排层作用:作为脱离后端硬件(CPU/GPU/NPU/XPU)的中间层,负责Session、Engine、Conversation管控,类似Coding工具中的Progress Session管理机制

端侧部署三大优势:无需网络、数据不出设备更安全、模型版本自主可控

移动端部署核心约束与实测数据

内存容量瓶颈:Gemma 2 4B模型文件大小约2.4GB,其中权重占1.85GB;实际运行时手机内存减少1.55GB而非全部占用,GPU/NPU进程内存独立计算

上下文长度对内存影响:默认4096上下文宽度若扩大至8192,内存占用直接翻倍,对12G/16G手机成本挑战大

内存带宽理论与实测差距:Mac设备理论上限395 token/s,官方实测仅131 token/s,利用率约30%-33%,损耗来自反量化、计算同步、采样等操作

功耗发热导致降频:CPU初始输出22.2 token/s,触发温控后降至15.3 token/s;GPU从41.1降至21 token/s;部分供应商GPU温控不充分导致设备烫手但性能未降

推理流水线关键步骤与统计口径

Tokenization与Pre-stage:用户输入文本转为Token后经Pre-stage处理,Decode阶段逐字生成

注意力机制与层级优化:35层解码器中前15层正常计算,15-34层跳过以节省计算;谷歌通过精调保证质量,内存收益显著

Prefill与Decode差异:Prefill为计算密集型,NPU明显优于GPU/CPU;Decode为内存带宽受限型,GPU与CPU差别不大,NPU仍具优势

TTF T统计标准:首个Token出现时间可从创建Session或程序启动算起,后者包含初始化耗时更长;同一Session内历史数据可能影响后续推理

推理优化技术与效果验证

量化精度分级策略:Attention层1.8bit、注意力层1.4bit、前15层1.4bit、15-34层1.2bit;FP16全量4GB量化后降至3.6GB,误差控制采用每32个值共享Scale

投机解码场景依赖性:草稿模型一次性生成多Token供主模型验证;代码场景接受率0.6、加速明显,故事场景接受率仅0.2、反而减速

MoE架构移动端适配:每次推理仅激活部分专家(如8/16),相比Dense模型全量加载,效率提升约6倍,内存与CPU压力大幅降低

多模态与Embedding扩展:图像经编码器转为文本Token输入;单点加速生成名义向量支持文本检索;vivo、华为宣称集成MoE 30G模型

二、Agent部署沙箱隔离技术

Agent部署资源隔离痛点

共享容器风险:单容器支撑300并发时,恶意用户可通过MCP拉取海量数据或注入代码破坏邻居Session,导致DoS或信息泄露

独立沙箱资源浪费:Agent 90%时间处于等待IO状态,为每个用户分配独立沙箱导致计算资源闲置,运营成本与用户数线性挂钩

传统挂起机制失效:Docker Pause不清空内存,Linux原生挂起恢复耗时秒级至数十秒,无法满足毫秒级响应需求

gVisor假内核实现快速挂起恢复

Syscall拦截原理:用Go重写约300个Linux Kernel Syscall,容器与假内核交互而非真实内核,可完全掌控内存状态与挂起时机

快照存档与恢复流程:容器声明挂起时打包存档至硬盘并释放CPU/内存;下次请求到达时从硬盘恢复至上一次状态继续执行

时间感知隔离:挂起期间真实时间流逝但容器内时钟停滞,恢复后程序感知时间仍为挂起前时刻,避免超时误判

与Docker本质区别:Docker共享内核难挂起,gVisor通过假内核实现百毫秒级恢复,类比30年前车管所换驾照与现在一站式体检拍照的效率差异

Agent Substrate架构与实测性能

Resumable Sandbox调度:请求进入后匹配历史快照,有空位则拉起对应沙箱执行任务,完成后清空Pod;外层货架存储所有Session快照

8 Pod支撑256用户并发:演示中3个Worker Pod + 8后台Pod,16并发请求下唤醒耗时约200ms、挂起仅20ms,沙箱数量减少79%

适用带状态长任务场景:专为Stable Box设计,区别于次抛型Tool容器;适用于需保持状态的MCP调用、代码执行等场景

安全后端双选项:gVisor适配普通用户,MicroVM轻量虚拟机适配金融等高安全需求客户;原生支持Kubernetes与GKE

三、沙箱生命周期管理现状与风险

控制权归属未定:当前由业务层通过读取内部状态、定时或超时决定挂起,未来计划允许Agent主动通知控制面

欺骗攻击潜在风险:若Agent内部代码谎报”不可挂起”或”立即可挂起”,可能导致资源泄漏或任务中断

网络IO中途挂起隐患:控制面强制挂起可能打断正在进行的关键操作,需业务层谨慎设计挂起策略

决策模型原理与实现路径

决策模型定义与传统模型对比

通用分类器定位:不同于传统ML固定任务分类器,也不同于LLM生成完整回复;接收上下文+自然语言任务描述+选项,输出概率分布而非Token序列

三种标准形式:选择题(多选项概率分布)、是非题(二元概率)、评分题(有序选项加权期望值,如紧急程度高/中/低对应1/2/3分)

Gemini Decision API对标:支持文本/图像/语音多模态输入,覆盖模型路由、安全检测、表情选择等场景;价格略高于Jais但功能更全

核心优势:仅输出单Token概率分布故速度极快;格式严格受控无幻觉,不会输出选项外内容

Prompt Engineering实现决策模型

选项Token编号绑定:在Prompt中将选项前置单独Token编号(如A/B/C或1/2/3),限定模型仅从该编号集合预测

Logits提取与归一化:获取词表全量评分后,仅提取目标编号Token的Logits,经Softmax转为概率分布直接输出,跳过自回归采样

评分题期望值计算:将概率分布与选项数值加权求和(如1×0.8+2×0.1+3×0.1=1.3),输出连续分数而非离散类别

代码实现要点:使用Transformers库加载模型,Tokenizer转换Prompt,提取指定Label ID的Logits转Float,Softmax后输出

相关技术延伸与替代方案

扩散大模型并行生成:非自回归逐Token生成,而是Block级并行迭代去噪,速度可达普通LLM 4-8倍(近1000 token/s);谷歌Diffusion LLM已开源

约束解码保障格式合法:通过文法(JSON/Python语法)动态计算每步允许输出的Token Mask,确保输出绝对符合语法;Gemini Structured Output即基于此技术

决策模型与约束解码关系:决策模型是约束解码的特例(仅约束单Token),约束解码可扩展至多Token结构化输出,两者底层逻辑一致

研究应用交叉:讲者在复旦的研究将约束解码应用于EDA逻辑电路设计,与自然语言决策模型技术同源

编辑:芦笛 (公共互联网反网络钓鱼工作组)

来源:迪妙网络空间安全学院

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档