如果你在2026年还在只盯着单模态的文本大模型做架构设计我建议你先停一下。今年的大模型竞争其实已经从“谁的榜单分高”转移到了“谁能把多模态能力以可接受的时延和成本塞进端侧设备”。多模态意味着输入从文本扩展到了图像、视频、音频对算力、内存和带宽的需求不是线性涨而是指数涨端侧则意味着这些模型要跑在手机、车载、IoT、边缘盒子上而不是躲在数据中心里。很多团队还在沿用两年前的部署思路把多模态模型放在云端端侧只负责采集和展示。这条路不是不能走但在交互时延、用户隐私和硬件成本上会被采用端侧多模态架构的同行越拉越远。这篇文章我不打算做宏观趋势综述那些东西行业报告里一堆。我想从架构师选型和落地的角度把值得关注的四个方向拆开聊端侧推理的物理边界怎么算、多模态模型架构在收敛成什么样、端侧适配工程有哪些绕不开的坑、以及评测体系怎么建才不会被版本迭代拖垮。每个方向我都会给一些可以直接拿来做判断的参考数据和步骤至少能帮你少走两个月弯路。1. 方向一端侧推理的物理边界先算清内存、带宽和功耗这三本账1.1 多模态输入为什么会比纯文本多吃2~3个数量级的资源很多架构师第一次接多模态需求时第一反应是“把视觉编码器接上LLM不就完事了”。但真正上了端侧才发现瓶颈根本不在模型结构而在输入端的数据量级。举几个具体数字。一段1000字的文本分词后大概是500到700个token这个量级在LLM里非常轻。但一张512x512的图片经过patch size为14或16的视觉编码器后会产生大概1024到1369个token。如果是一段30秒、30FPS的视频即便抽帧到2FPS也意味着60帧图像要进模型按每帧1024个token算就是6万个token。这可是纯文本场景的100倍以上。token数量暴涨直接影响两件事。第一是计算量Transformer的注意力机制是O(n²)计算复杂度6万token和600 token的注意力计算开销差了一万倍这个账不用精确算也能知道端侧扛不住。第二是KVCache也就是推理过程中要缓存的历史键值向量。这个缓存和token数严格成正比每个token的KVCache开销大约等于2乘层数乘隐藏维度乘精度字节数。拿一个7B模型举例假设32层、隐藏维度3584FP16精度下每个token的KVCache大约是448KB单张图片的1024个token就是450MB左右。你想想手机App本身可能才几十MB一个KVCache直接占掉近半GB这还没算模型权重本身。所以做端侧多模态架构第一件事不是选模型而是先接受一个残酷现实多模态输入在物理资源消耗上比纯文本高出两到三个数量级任何架构设计都必须基于这个约束倒推。1.2 实操3分钟估算模型能不能上端侧我建议团队里每个人都会用下面这个粗算公式不需要多精确但能快速筛掉不靠谱的方案。一个模型能不能跑在端侧主要看三项权重体积、激活内存、KVCache。三者之和要小于目标设备的可用内存。权重体积就是参数量乘每个参数的字节数7B模型FP16是14GBINT8是7GBINT4约3.5GB。激活内存取决于batch size和序列长度端侧通常batch size为1这部分相对可控。KVCache按前面说的公式估算即可。我给你列一个参考表这是基于常见模型结构的估算值不是精确测量但足够做前期判断模型规模量化精度权重体积上下文长度预估值总内存大致可部署设备7BFP1614GB4K约16GB服务器/工作站7BINT87GB4K约9GB16GB内存的PC/平板7BINT43.5GB4K约5.5GB手机旗舰/边缘盒子3BINT41.5GB4K约2.5GB中端手机/车载1.8BINT40.9GB2K约1.5GBIoT设备/低端手机注意这里说的“可用内存”不是设备标称的总内存。手机上系统、App、渲染管线会吃掉一大半比如一台12GB内存的手机App实际可用内存通常只有4到6GB。以这个口径再去做选型能避免一半以上的返工。除了内存还有一个经常被忽略的硬约束内存带宽。端侧大模型推理尤其是自回归生成阶段真正的瓶颈往往不是算力而是从内存里反复读权重的速度。有一个非常粗糙的经验公式每生成一个token需要把权重从头到尾读一遍所以生成速度约等于内存带宽除以权重体积。拿7B INT4模型来说权重约3.5GB一台LPDDR5内存带宽约50GB/s的手机理论极限也就每秒14个token如果设备带宽只有25GB/s那每秒只能出7个token用户等一两分钟才看到一句话这个体验基本没法用。所以架构师在前期选设备时至少要看三个参数内存大小、内存带宽、NPU/GPU算力。很多设备宣传AI算力几十TOPS但如果内存带宽跟不上大模型照样跑不快。我见过不少团队在算力很强的盒子上部署7B模型结果速度惨不忍睹查了半天才发现是DDR带宽不够算力闲置。2. 方向二多模态模型的架构收敛从拼接走向统一特征空间2.1 2026年的模型结构变化对齐层、统一Token空间与动态路由早期做多模态业内主流方案是“拼积木”拿一个在图文对上预训练好的视觉编码器比如CLIP的ViT把图像特征抽出来过一个投影层再拼到LLM的输入embedding后面。这条路以LLaVA为代表优点是实现简单、复用成熟组件缺点也很明显视觉编码器和语言模型是两套独立训练的体系中间只靠一个线性层对齐模型能“看到”图像但很难做深度的跨模态推理。比如让它数清复杂场景里某个物体的具体数量或者理解图形中隐含的逻辑关系经常翻车。到2026年模型结构正在往两个方向收敛。第一个方向是“统一Token空间”也就是把文本、图像、音频、视频统一切分成模型内部的离散token或连续embedding让所有模态在同一个特征空间里参与注意力计算。这一步把“拼接感”彻底去掉不同模态之间的交互从底层开始就发生跨模态推理能力比拼接方案强不少。第二个方向是“动态路由”模型内部有多个专家模块MoE输入是文本就激活语言专家输入是图像就激活视觉专家图像加音频就同时激活对应模态的专家组合。这个设计的好处是不是每个输入都要过一遍全部参数能显著降低无效计算量对端侧尤其友好。作为架构师你不用自己发明模型结构但要能看明白这些结构变化带来了什么。统一Token空间让模型更“聪明”但黑盒化程度也更高调试和评测更难动态路由让推理更高效但模型的运行时调度更复杂端侧适配时不能只考虑参数量还要考虑稀疏激活带来的内存访问不确定性。2.2 架构师选型速查主流多模态模型与端侧适配判断选型是架构师最头疼的部分因为模型迭代太快今天榜单第一下个月可能就被超越了。我的建议是不要只看benchmark要建立一套自己的判断维度。以2026年初能见到的模型情况为例大致可以分成几类模型/系列输入模态特点端侧适配判断Qwen2.5-VL系列图、视频、文本视觉能力强支持视频理解中大型号适合服务器小型号量化后可上端侧MiniCPM系列图、音频、文本专为端侧设计图像token压缩率高端侧首选之一适合手机/平板InternVL系列图、视频、文本视觉基准强模型普遍偏大主要适合云端或高端边缘设备Gemma 3系列图、文本支持多模态生态和工具链完整小尺寸版本量化后可跑端侧LLaVA系列图、文本拼装式架构代表适合学习和二次开发架构成熟但跨模态推理能力偏弱我建议用三个问题来筛第一个问题图片在新模型里被压缩成多少个token。同样是输入一张图有的模型要1000多个token有的只消耗400到600个token。token数量直接决定KVCache消耗和推理速度对端侧来说是生死线。第二个问题视觉编码器本身有多大。很多模型总参数量看着不大但里面塞了一个巨大的视觉塔这部分在前向推理时也是要实实在在算一遍的。第三个问题量化后掉点是否严重。有的模型在FP16下表现很好但要压到INT4就崩了视觉能力明显下降这种模型选型时就要留个心眼。提示选型阶段一定不要只在服务器上测尽量直接拿目标端侧平台的量化版本跑一遍真实场景否则你前面所有评估都是“盲人摸象”。3. 方向三端侧适配工程量化、剪枝与异构调度的组合拳3.1 量化不是一把梭视觉编码器与LLM要分开处理很多团队拿到模型的第一反应就是“量化到INT4”觉得最省内存。实际做下来你会发现多模态模型对量化的敏感度远高于纯文本模型而且不同模块差异巨大。我自己的实测经验是LLM主干部分从FP16压到INT8效果损失很小压到INT4会有一点掉点但整体可控。真正麻烦的是视觉编码器ViT这类结构的激活值分布比较散对低比特量化非常敏感强行INT4化之后图片里一些细微特征直接丢失典型表现是物体识别还能用但理解图像细节、OCR识别、图表理解这种任务明显变差。所以我强烈建议多模态模型量化的基本策略是“分而治之”视觉编码器保持FP16或只做INT8LLM主干可以放心压到INT8甚至INT4中间的投影层和模态对齐层保持较高精度。这样综合下来内存开销比全FP16降低30%到50%但视觉质量基本不掉。别小看这个取舍在端侧设备上几十几百MB的差异可能就决定了能不能跑得动。量化方法上现在常用的有GPTQ和AWQ两种。GPTQ属于经典的后训练量化对纯文本LLM效果不错工具链也成熟AWQ激活感知量化会分析激活值的分布来保护敏感通道在多模态模型上的表现通常更好尤其适合视觉任务。如果你手头的推理框架支持我优先推荐AWQ。另外如果预算允许也可以考虑量化感知训练QAT效果确实好但需要重新训练或微调模型工程量大不少适合对精度要求极高的场景。3.2 异构计算调度NPU、DSP、CPU怎么分工才不打架端侧设备的计算单元比服务器复杂得多通常有CPU、GPU、NPU甚至DSP。大模型推理如果只跑在CPU上速度会很难看但如果一股脑全扔给NPU又会遇到算子不兼容、动态形状处理不了的问题。架构师必须理解一个原则把“静态的、形状固定的计算”交给NPU把“动态的、逻辑分支多的计算”留在CPU。拿多模态模型举例视觉编码器的ViT结构形状固定基本是矩阵乘法加激活函数非常适合NPU加速跑起来能比CPU快好几倍。LLM的embedding搜索和注意力矩阵计算也适合NPU但自回归生成是循环过程每次生成一个token中间伴随采样、终止判断这类控制流这些逻辑适合留在CPU上。所以一个比较合理的调度方案是图像预处理解码、缩放、归一化放CPU或GPU视觉特征提取放NPULLM解码时把算子能下沉的尽量下沉到NPU控制逻辑由CPU统一编排两者之间用异步队列通信避免CPU死等NPU返回。具体到实现不同硬件平台会有各自的SDK和编译器。有的平台提供NNAPI或类似的通用接口有的平台需要离线把模型编译成专属格式。这里我给个通用建议先用平台自带的工具链做一次算子兼容性扫描找出不支持的算子再考虑用CPU算子兜底或者调整模型结构把不兼容的算子替换掉。这一步能提前做一定要提前做别等联调阶段才发现。3.3 从PC验证到真机联调的完整流程端侧部署和云端服务完全是两码事千万不要以为PC上跑通了就万事大吉。下面是我整理的一套相对完整的落地流程每一步都有明确目的模型选型与裁剪。根据前面说的内存和带宽预算选定候选模型确定上下文长度上限避免出现长视频/长音频撑爆内存的情况。量化与精度验证。按视觉和主干分离的策略量化回目标场景的测试集上验证掉点情况。这一步可以用GPU服务器做比较快。算子兼容性排查。把量化后的模型导出成推理框架支持的格式再扫一遍算子清单把不支持的算子提前替换。编译与集成。在真机上把模型跑起来先保证结果正确再看性能。真机专项测试。测首帧延迟、生成速度、峰值内存、功耗、温度、多App同时运行时的抢资源情况。回归测试与灰度发布。建立自动化回归集每次迭代后全量跑防止“修了这个坏了那个”。我见过最典型的失败案例是团队在PC上花了三周做模型效果调优结果上真机第一天就发现视觉编码器的某个算子在NPU上不支持只能退回CPU跑速度直接掉一半。如果早做算子兼容性扫描这个风险最少能提前两周暴露。4. 方向四多模态质量评估与持续迭代别让评测成为最后才补的课4.1 评测指标分层离线基准、端侧专项和业务效果多模态模型的评测比纯文本复杂得多因为“理解正确”这件事很难用单一指标衡量。很多架构师喜欢盯着MMMU、MMBench这类公开榜单看但榜单只能反映模型的通用能力和你的真实业务场景没什么直接关系。我建议把评测分成三层来做。第一层是通用离线基准用于选型阶段横向比较模型。你可以关注MMMU、MMBench、DocVQA文档理解、ChartQA图表理解、OCRBenchOCR效果和MathVista数学推理这几个主流基准至少能判断模型的基础能力。第二层是端侧专项指标这一层很多团队完全不做我建议必须补上。端侧跑多模态模型至少要看首帧延迟用户拍照后多久得到反馈、生成速度每秒能吐多少个字、峰值内存会不会超过系统限额导致被杀进程、功耗持续跑多久会发烫降频和并发干扰边聊天边拍照模型推理会不会导致UI卡顿。第三层是业务效果指标也就是你自己真实场景下的端到端准确率。比如你做的是一个拍照识别植物的小程序那评价指标就该是“用户上传10种不同光线环境下的植物照片模型识别正确率是多少”而不是MMMU上的分数。三层层层递进缺一不可。只看第一层你会选一个纸面最强的模型但落地后发现用户根本体会不到只做第三层模型迭代时你不知道是通用能力退化了还是适配出了问题很难定位。4.2 回归集、Badcase回流与灰度发布的工程化做法多模态模型的迭代节奏很快但每次更新都必须有交通安全网否则线上出问题都不知道是哪次改动引入的。我的做法是维护一份100到200条的小型回归集覆盖目标场景里最常见的情况和最容易出错的边界情况。这个集子不用大但一定要贴近真实用户数据。每条样本包含输入图片或音频、对应的Prompt、期望输出关键词或判断条件。模型每次更新、每次量化参数调整都先跑一遍回归集自动比对结果有掉点就拦住不能上线。Badcase回流的价值怎么强调都不为过。端侧模型跑在离线环境里用户输入什么你根本不知道如果不做本地日志和抽样上报你就像盲人开车。我建议在端侧做一个轻量级推理日志模块记录每次推理的输入类型图像分辨率、音频时长、输出内容、置信度、推理耗时和设备状态。这一步要注意隐私保护不记录原始图像或音频内容而是记录特征摘要和元信息脱敏以后再上传。每周做一次badcase分析按错误类型分类识别错了、理解错了、超时了、崩溃了沉淀成下一轮优化的输入。这个循环跑起来以后你的模型会越用越顺手。灰度发布也是多模态模型特有的工程重点。端侧模型更新的最大风险不是模型能力下降而是极端设备兼容性问题——同一款模型在这台手机上跑得好好的换一台GPU驱动不同的设备直接崩溃。所以所有更新都必须灰度比如先放5%的设备观察崩溃率、任务成功率、响应延迟和用户评分确认没问题再逐步放量到10%、20%、50%。没有灰度机制的端侧模型更新本质上就是赌博。5. 架构师落地这4个方向的几条实操经验5.1 优先级怎么排用场景倒推技术选型经常有团队找我聊张口就是“我们要上一个多模态助手该选哪个模型”。我一般会先问一个问题你们产品里用户最想解决的是什么痛点如果答案是“拍照识别物品”那技术选型的核心就不是大模型有多强而是视觉编码器的识别精度和首帧延迟如果答案是“语音图像同时理解”那就要重点关注多模态对齐能力和音频输入的支持情况如果答案是“离线也能好用的车载助手”那端侧的功耗和内存优化优先级直接拉到最高。场景决定约束约束决定选型。多模态端侧这个领域没有“最好”的模型只有“在这个场景下最合适”的模型。我的建议是正式立项之前先让产品经理列出用户高频场景TOP3每个场景定义清楚“可接受的响应时间”和“可接受的内存占用”技术团队拿着这两个硬指标去做选型和裁剪效率会高很多。排序上我的经验是先找一个最小可行场景端到端跑通整个链路拍照或录音、回调、模型推理、结果展示再谈扩展能力。很多团队一上来就想做“全能助手”最终大概率死在集成复杂度上。5.2 这些坑我替你先踩过了几个踩坑记录按频率排序大概率你也躲不过。第一个坑只看服务器端benchmark就做选型。当初我们评估一个小模型MMMU分数不错量化到INT4后直接掉了8个点视觉能力肉眼可见地变差。从那以后我的选型流程里就加了一条硬规矩必须用目标平台量化版本跑一次真实场景再上选型会。第二个坑低估内存带宽。我们在一款算力很强的盒子上部署7B模型NPU峰值算力确实好看但内存用的是老一代DDR模型推理速度死活上不去后来一算瓶颈完全在带宽。算力再强权重喂不进去也是白搭。第三个坑量化后测了准确率没测功耗。其实很多端侧设备跑INT4模型是为了省电不是单纯为了占内存。如果模型加速做得不好推理时间拉长总体能耗反而上升手机发烫、掉电飞快。所以性能测试一定要带上功耗和温度测试特别是持续推理场景。第四个坑多模态输入预处理的线程把主线程顶掉了。图像解码、缩放、归一化这些操作看起来不起眼但如果直接放在主线程用户拍完照会发现UI卡成幻灯片。这类预处理一定要放到独立线程并且要做好线程优先级管理。第五个坑KVCache没做长度限制。短视频理解需要抽帧音频理解需要长时间采样一个长一点的输入就能让KVCache暴涨直接吃满内存。架构上必须给上下文长度设上限必要时用滑动窗口或关键帧策略避免单个样本击穿内存。坦白说多模态端侧这个方向现在还远没有到“一套方案打天下”的成熟阶段。作为架构师最重要的能力是把模型能力、硬件约束和用户体验三方拉通而不是某一个单点的技术突破。我自己带团队落地的体感是真正拉开差距的不是谁会调一个更新的模型而是谁能把同样的模型在设备上跑得又稳又快并且还能持续观测效果去迭代。最后分享一个小技巧你可能觉得老套但确实管用从立项第一天就建立推理日志和回归集哪怕只是手工维护一个带10条样本的Excel表。等模型上量之后你会发现这套看起来“草台班子”的机制会在无数次迭代中帮你保住线上体验不滑坡。多模态端侧的项目赢在系统能力而系统能力的第一步就是先把这种看似不起眼的基建做起来。