这篇文章主要围绕两个核心话题展开：模型部署与压缩，以及大模型应用开发。先说几个关键点：模型压缩是降低部署成本、提升推理效率的关键手段，而大模型应用开发，则更多关注如何将模型能力落地到实际场景中。

1. 概述

模型部署和压缩，加上大模型开发，是当前AI工程化落地的核心环节。下面我们一步步拆解。

2. 目标

3. AI应用开发流程

4. 如何降低模型部署成本？

5. 模型压缩技术

模型压缩并不是一个笼统的概念，它需要根据模型大小来区分策略。

5.1 小模型压缩方法

5.2 大模型压缩技术

由于Prefill阶段是一次完整的模型推理，而Decoding阶段则需要反复迭代很多次，因此优化的重点在于降低带宽需求，而不是单纯降低计算量。这才是根本思路上的差异。

① KV Cache压缩技术

Streaming LLM

FastGen -- 自适应KV cache压缩

MQA与GQA

② 大模型压缩技术

这里面有几个代表性方向：

• LLM Pruner：高效率的大模型剪枝算法，直接砍掉冗余参数。
• One-shot权重稀疏化：通过权重稀疏压缩，缓解存储与访存压力。
• 大模型PTQ量化：拿掉训练步骤，直接做量化，效率很高。典型方式包括W8A8、W8A16与W4A16。
• 权重低比特量化：比如INT4量化，模型能压缩4倍，权重搬运效率大幅提升。

6. 模型压缩工具介绍

ModelSlim

训练加速-模型低秩分解

训练加速-模型稀疏加速训练

推理加速-大模型量化

推理加速-大模型稀疏量化和权重压缩

推理加速-训练后量化(ONNX)

推理加速-训练后量化（MindSpore）

推理加速-模型剪枝

推理加速-模型蒸馏

7. 大模型部署框架介绍

8. 大模型应用开发

8.1 大模型应用开发流程

8.2 为什么需要RAG？

8.3 向量数据库

工作流程：

向量数据库解决的问题：

为什么使用向量数据库？

向量数据库构建

9. 总结

本文主要介绍了模型部署和压缩相关内容，以及大模型应用开发。从整体来看，这部分内容在笔试中占比大约6%，但它的重要性在实际工程项目中远不止于此。