Edge-инференс LLM: квантизация и деплой на Raspberry Pi и Jetson

Как уместить 7B-модель в 8 GB RAM без падения качества?

Инженерный вызов: 7B-модель в 8 GB RAM — задача с граничными условиями. Решение — грамотная квантизация, speculative decoding и тюнинг serving. На практике мы развернули Llama 3 8B на Jetson Orin NX 16 GB с latency p99 240 мс при 5 concurrent запросах. Наша команда выполнила более 30 проектов edge AI для логистики, медицины и промышленности. Согласно llama.cpp, квантизация Q4_K_M сокращает размер модели в 3 раза без заметного ухудшения качества. Экономия на облачных расходах достигает 70% — инвестиции в edge окупаются за 3-6 месяцев.

Почему edge-инференс LLM — не просто тренд?

Edge-развёртывание решает три ключевые проблемы. Первая — приватность: данные не покидают устройство, что критично для медицинских, финансовых и военных систем. Вторая — офлайн-доступ: LLM работает в зонах без интернета (добыча, автотранспорт). Третья — низкий latency: инференс на устройстве занимает 100-500 мс против 1-3 секунд через облако. При грамотной оптимизации edge-инференс снижает облачные расходы на 70% — это подтверждают наши проекты. Мы гарантируем стабильную работу модели на устройстве; в противном случае дорабатываем бесплатно.

Какой стек выбрать для edge?

Выбор инструмента зависит от hardware и сценария. Для прототипирования на одном устройстве идеален Ollama — он предоставляет OpenAI-совместимый API и автоматическое управление моделями. Если нужно multiple concurrent запросов, лучше vLLM (требует CUDA, PagedAttention даёт 2-3x ускорение). Для ARM-устройств без GPU используем llama-server (часть llama.cpp) — лёгкий, с поддержкой AVX-512.

Как оптимизировать модель для ограниченных ресурсов?

Рекомендуем начинать с квантизации Q4_K_M: модель 7B занимает ~5.5 GB, качество падает незначительно. Speculative decoding (draft model + target model) даёт ещё 2-3x ускорение — идеально для edge. Проверьте, что draft model в 10-20 раз меньше target. Для сравнения:

Кроме квантизации, применяем прунинг, уменьшение контекстного окна до 2048 tokens. Для LoRA-адаптивных моделей — загружаем только базовую модель + адаптер. Наши инженеры гарантируют стабильную работу модели на выбранном устройстве с latency p99 < 300 мс.

Пошаговый пайплайн развёртывания

1. Оценка hardware: RAM, GPU/CPU, пропускная способность памяти.
2. Выбор модели и квантизации: тестирование на целевой конфигурации.
3. Настройка serving: Ollama/vLLM/llama-server, конфигурация batch size и кол-ва потоков.
4. Интеграция с приложением: через REST API, WebSocket или gRPC.
5. Нагрузочное тестирование: проверка latency при 1,5,10 concurrent запросах.

Пример из практики: для клиента из логистики мы развернули Llama 3 8B на Jetson Orin NX (16 GB). Квантизация Q4_K_M, speculative decoding с TinyLLaMA 1B, latency p99 — 240 мс при 5 запросах/с. Офлайн-режим, без облачных затрат.

Что входит в нашу работу?

• Hardware оценка и рекомендация (2-3 дня)
• Выбор модели, дообучение (LoRA) и квантизация (5-7 дней)
• Настройка serving-стека и интеграция (3-5 дней)
• Нагрузочное тестирование и профилирование (2-3 дня)
• Документация и обучение команды заказчика

Сроки и стоимость

Типичный проект занимает 2-4 недели. Стоимость рассчитывается индивидуально под ваш hardware и задачу. Мы гарантируем стабильную работу модели на устройстве — в противном случае бесплатно дорабатываем.

Свяжитесь с нами для предварительной оценки вашего hardware и задачи — мы подготовим смету за один день. Закажите консультацию: поможем подобрать оптимальную конфигурацию под ваш сценарий.

Edge AI и оптимизация: деплой моделей без облака

Представьте: ваша модель распознавания лиц выдаёт 4 секунды latency на Jetson Orin, батарея садится за час, модель вылетает по OOM. Мы — команда инженеров по Edge AI с 5+ лет опыта — оптимизировали более 150 моделей для граничных устройств. Без профилирования и правильного выбора квантизации или дистилляции проект обречён. Разрыв между исследовательским кодом и edge-деплоем — отдельная инженерная дисциплина, мы помогаем её освоить за 2–16 недель под ключ. Услуги Edge AI и оптимизация моделей — это не просто экспорт, а системная работа с железом.

Почему просто «экспортировать модель» не работает

PyTorch-модель с float32 и batch_size=32 не готова к edge. Типичные проблемы:

• ResNet-50 в fp32 занимает 98 MB, inference на Cortex-A78 — 380 мс. После INT8-квантизации torch.ao.quantization — 24 MB, 95 мс. Экспорт в ONNX + TensorRT на Jetson — 28 мс.
• YOLOv8m на Raspberry Pi 5 в fp32 — 2.8 fps. TFLite INT8 — 9.4 fps. С XNNPACK делегатом — 14 fps.
• Transformer-энкодер на мобильном CPU: MobileBERT в fp16 через CoreML на iPhone 15 — 18 мс/инференс. distilbert-base-uncased в ONNX — 42 мс.

Проблема не в выборе «квантизировать или нет» — правильный путь определяется устройством, задачей и допустимой деградацией метрики. Предлагаем оценку вашего проекта: за 24 часа скажем, насколько реально ускорить модель.

Какой метод квантизации выбрать для вашей задачи?

PTQ (Post-Training Quantization) — быстрый путь. Берёте обученную модель, прогоняете calibration dataset (200–1000 примеров), получаете INT8 или INT4 веса. Инструменты: torch.ao.quantization, ONNX Runtime quantization tool, bitsandbytes. Деградация точности: 0.5–2% на классификации. Красная зона — детекция мелких объектов и сегментация, где PTQ даёт -4–8% mAP.

QAT (Quantization-Aware Training) — обучение с симулированными квантизационными шумами. Дороже (переобучение), но деградация 0.1–0.5%. Оправдано, когда PTQ неприемлем. В PyTorch — torch.ao.quantization.prepare_qat().

GPTQ / AWQ — для LLM. AWQ лучше сохраняет качество при 4-bit квантизации. llm-compressor от Neural Magic или autoawq — основные библиотеки.

Экономия от выбора правильного метода: до 350 000 ₽ в год на облачных инстансах за счёт снижения latency и энергопотребления. Стоимость проекта рассчитывается индивидуально — диапазон от 100 000 до 500 000 ₽ в зависимости от сложности модели.

Прунинг и дистилляция

Структурный прунинг удаляет каналы или слои. torch.nn.utils.prune — базовый инструмент. Для transformer — прунинг attention heads (LTP, movement pruning). Результат: ResNet-50 после удаления 40% каналов с fine-tuning — -35% размера, -28% latency, -1.2% top-1 accuracy.

Knowledge distillation — обучаем маленькую student имитировать большую teacher. Классика через KLDivLoss на soft labels. Feature distillation на промежуточных слоях эффективнее. Hugging Face DistilBERT: 66M vs 110M параметров, -40% latency, -3% на GLUE. Согласно Wikipedia, это техника сжатия модели.

Комбинированный подход: дистилляция → прунинг → QAT. Даёт максимальный эффект на ограниченном железе. Экономия на облачных вычислениях достигает 70% — мы фиксировали такую у нескольких клиентов.

Целевые платформы и инструменты

TensorRT — главный инструмент для NVIDIA edge. TRT строит граф с fusion операторов, выбирает оптимальные ядра. На Jetson AGX Orin YOLOv8m в TRT INT8 даёт 78 fps против 22 fps в fp16 PyTorch.

Практический кейс: детекция дефектов на производственной линии

Задача: обнаружение царапин на металле в реальном времени, 30 fps, камера к Jetson Xavier NX (16GB). Исходная модель YOLOv8l mAP50 0.91, inference на сервере 28 мс, на Jetson в fp16 — 110 мс (9 fps). Не подходит.

Шаги оптимизации:

1. Переход на YOLOv8m — mAP50 0.887 (-2.3%), 68 мс
2. Экспорт в TensorRT FP16 через yolo export format=engine half=True — 31 мс (32 fps)
3. INT8 calibration на 500 кадрах — 22 мс (45 fps), mAP50 0.879

Итого: деградация 3.5% при 5× ускорении. Клиент получил engine и документацию. Гарантируем, что метрика не упадёт ниже оговорённого порога — прописано в договоре.

Что входит в работу

• Отчёт по профилированию модели на целевом устройстве (latency по слоям, узкие места)
• Выбор и обоснование методов оптимизации (quantization / pruning / distillation)
• Оптимизированная модель (TensorRT engine / TFLite / CoreML / ONNX)
• Конфиги для воспроизведения (скрипты, Docker-образ, инструкция)
• Тестирование на реальном устройстве (не менее 10 000 инференсов)
• Обучение вашей команды (2 часа онлайн)
• Поддержка 1 месяц после передачи

Как заказать оптимизацию модели

1. Оставьте заявку на сайте или свяжитесь с нами любым удобным способом.
2. Мы проводим бесплатное профилирование вашей модели на целевом устройстве в течение 24 часов.
3. Готовим план оптимизации с оценкой trade-off (скорость vs качество).
4. Вы утверждаете план — мы приступаем к работе.
5. После завершения передаём оптимизированную модель, конфиги и документацию.
6. Проводим обучение вашей команды и предоставляем месячную поддержку.

Сроки: оптимизация готовой модели — 2–4 недели. Разработка с нуля под edge — 6–16 недель.

Получите консультацию — мы бесплатно оценим вашу модель и предложим план за 24 часа. Закажите бесплатное профилирование прямо сейчас.