27B 模型在 iPhone 上运行
Prompt Engineering · youtube · 2026-07-15
视频拆解了 Prism ML 如何把一个 27B 参数的 Qwen 系模型压到能在 iPhone 17 Pro 上跑，速度约 11 tokens/s：
- 通过 1-bit Bonsai 方法把模型从约 54GB 压到 3.9GB。
- 讲解了量化基础：从 16-bit 到 8/4-bit、ternary、1-bit 的差异，以及为什么朴素的后训练量化会因为误差累积而失效。
- 对比了常见开源路线：llama.cpp 的混合精度、GPTQ 的校准感知量化、AWQ 的激活感知量化，这些通常在约 4-bit 还可用，但到 2/1-bit 会崩。
- 介绍了受 BitNet 启发的量化感知训练、端到端 1-bit/ternary 方案（包括 LM head）、4-bit vision tower 的多模态支持、262K 上下文窗口，以及用 speculative decoding 降低延迟。
- 还提到基准测试、每 GB 的“智能密度”、工具调用短板，以及作者自己在 M2 Max 上的 1-bit 测试结果：约 29–30 tok/s，但在更难任务上会出现循环。
所属事件:Qwen 27B模型经极端量化成功登陆手机端(2 条相关)→
「Infra」频道最新
- Engram 随机读取不适合 SSD，CPU 内存低延迟共享或成正解 — bookwormengr · 2026-09-11
- 劝退帖:推理工程是真金白银的硬活,八成尝鲜者已悄然放弃 — abhijithneil · 2026-09-11
- Hugging Face《Ultra Scale Playbook》:GPU 集群训练 LLM 的免费技术书 — mdancho84 · 2026-09-11
- 从聊天到 Agent,推理延迟正在成为生产级瓶颈 — Euphoric_Sea632 · 2026-09-11
- 推理服务关键指标盘点:流式速度 TPOT 与可用性如何影响体验 — abhijithneil · 2026-09-11
- PlanetScale 推出分片 Postgres,768 台服务器组成 1PB 单库 — dhruv2038 · 2026-09-11