模型推理优化系统

把明确的推理工作负载优化到可验证的结果。沿用同一任务定义、实验记录和验收标准，按瓶颈选择专项，不把所有优化技术轮流试一遍。

入口与资料

当前问题	从哪里开始	按需读取
模型尚未跑通、迁移后效果不对	任务 → 正确性对齐	专项方法 的「复现与后端迁移」
延迟高、GPU 利用率低、显存不足	任务 → 基线 → profile	专项方法的「测量」「显存与数据流」
换 attention/kernel、FP8 或 compile	先证明热点和实际运行路径	专项方法的「算子与编译」
减少 steps、换蒸馏模型或近似 decoder	先定义允许的质量变化	专项方法的「近似推理」
复用同类优化经验	按当前瓶颈选案例	脱敏案例，只读相关小节
已有优化要接入服务或证明真实收益	质量回归 → 完整请求 → 服务验收	专项方法的「质量评测」「服务与成本」

需要记录时复制 实验模板 到本轮产物目录，删去不适用的字段；普通 bug 修复可缩成一张对比表。

模型质量/性能对比沿用本技能。纯托管 API、Prompt、token/cache 命中或 agent 工具调用优化不进入下述 GPU 实验流程：先检查当前可用技能列表，仅在外部技能 llm-app-optimize 已安装时转交；未安装时，在当前对话中固定代表请求，记录端到端延迟、用量/费用和输出质量，一次修改一个因素，并复用应用已有的回归检查验收。

全产品竞品研究仅在外部技能 peerscope 已安装时转交；未安装时，在当前对话中明确产品对比问题，从官方资料收集功能、价格和使用限制，附来源与日期，并将未实测能力标为待验证。这两个外部技能均不是 Spellbook 安装前提，不要求为完成当前任务安装它们。

Operating Contract

• Direct actions: 在请求范围内读代码、分析现有日志、修改本地实现并运行已授权的检查和实验。
• Escalate before: 超出既有授权的收费运行、凭证修改、占用其他任务设备、生产变更或发布。已有授权覆盖时继续执行。
• Evidence-backed pushback: profile 显示拟优化部分占比很低或任务规格被改变时，给出 trace/输出证据和更小的替代实验。
• Feedback loop: 记录失败假设、质量回归和撤回原因；续跑先核对旧基线是否仍有效，再选择下一项实验。

1. 锁定任务和实际运行路径

1. 核对目标仓库、cwd、worktree、commit、未提交改动和实际服务入口。不要把当前目录默认当成模型仓库。缺少目标模型或路径时只询问影响开工的缺口，同时整理已有证据。
2. 从真实请求追到权重/adapter、scheduler、预处理、推理、后处理、编码和响应，记录实际加载的实现。核对参数是否被读取、provider/kernel 是否实际运行；import 成功或开关存在不算命中。
3. 固定输入集合与哈希、输出尺寸/帧数/FPS/时长/音频、精度、seed、模型版本、GPU 型号与数量、软件栈、并发和计时边界。相同 seed 不保证跨后端或跨进程逐位一致。
4. 写明主目标和质量约束，例如「同一 2K 视频热态请求更快，构图与颜色不退化」。区分允许数值误差、允许感知变化、允许更换模型/输出规格的范围。
5. 使用已授权设备、时间和费用范围；不占用其他任务的 GPU、不重启现有服务或自动部署。已有授权不重复询问。没有 GPU 时完成静态定位和实验准备，性能结论留为未测。

2. 建立可信基线

• 复用仓库 runner、数据集、profiler 和检查命令；没有可复现入口时只补当前任务需要的最小入口，不搭建通用平台。
• 先保存真实输出并核验规格和基本质量。输入或参考未对齐时先修正确性，再优化性能。
• 分列下载/加载、engine build/compile、首次推理、同一常驻进程热态请求和文件/API 返回。每次重启进程不算模型热态。
• 保存逐次数据、失败/OOM、原始日志与同步方法。CUDA event 测 GPU 区间，同步后的 wall time 测实际完成时间；profiler 用于归因，无 profiler 运行用于最终成绩。
• 资源允许时 warmup 后至少三次重复作为初步判断。收益接近波动时增加交错 A/B 或 ABBA，不挑最优一次。少量样本报原始值、中位数和范围，不称生产 p95。

3. 从 profile 选择实验

拆 loading、preprocess、conditioning、模型主体、decoder、H2D/D2H、stitch、encode、网络/排队的真实耗时和显存，优先改占比大且可改变的部分。

证据	优先验证
GPU 空闲而 CPU/同步耗时高	CPU island、Python crop/stitch、布局、跨 provider 同步、设备常驻
权重搬运或反复加载	常驻热点组件、offload 时机、跨卡只传 conditioning、并发容量
OOM 或 reserved 很高	活跃张量、KV/tile/arena/workspace、session 并发总量
attention/GEMM/卷积是热点	实际 backend、shape/dtype、融合、低精度、编译、专用 kernel
decoder/输出是热点	批量布局、GPU 像素转换、D2H 字节数、编码；近似 decoder 独立验收
还需显著减少计算	蒸馏/少步、稀疏或跨步缓存；先界定质量变化
单请求快而服务慢/成本高	队列、并发、冷启动、重试、计费占用、真实请求路径

以热点占比估算收益上限：某部分占总时长 p，即使完全删除也最多节省 p 的总时长。流水线重叠时按关键路径及完整请求测量，不直接相加阶段时间。

4. 做可以归因的优化实验

1. 写明假设、支持它的 profile、最小改动、影响阶段、质量风险和停止条件。
2. 保持输入、规格、计时边界与硬件一致，一次改一个因素。组合方案先消融再组合复测，不相加不同基线的节省。
3. 局部 kernel 先用真实 shape/dtype/layout 做正确性和 microbenchmark，再测模型和最终请求。为时序状态、缓存、padding 与边界输入补相关样本。
4. 按任务约定验收：逐位/张量误差检验实现一致性，感知/任务评测检验近似方案。生成文件不等于质量通过。
5. 记录保留、否决或证据不足及原因。无收益、质量退化或运行不稳时撤回本次实验代码，保留证据，不影响其他人的改动。
6. 没有可信收益、预算到限或下一步超出允许质量变化时，停止搜索并交付结果。不得为达标偷偷降分辨率、缩帧、去音频或换模型。

5. 质量、成本与真实链路共同验收

• 图像/视频先核几何、位深、颜色、时序、音画同步和输出完整性，再算指标。针对脸、文字、纹理、运动、接缝等受影响场景留样，在优化未使用的样本上最终复核。
• 有 HR/oracle 时使用对齐后的 fidelity/perceptual 指标与可视化；无 HR 时分开报告 source consistency、无参考分数与人工判断。单人偏好不冒充 MOS。
• 生成模型检查任务遵循、身份、运动、时序与音频；改变 steps/权重/稀疏策略/decoder 作为有质量风险的独立候选。自托管 LLM 检查任务质量及长上下文行为。
• 在实际入口复测完整请求与输出。局部 GPU、pipeline-return、完整 MP4、HTTP 是不同口径；仅同口径计算严格提速。
• 同时报 wall time、GPU 数、峰值显存、成功率和计费假设。单卡更慢仍可能更省 GPU-hour，多卡更快可能更贵。区分单路延迟、每路/聚合吞吐和持续实时。
• 授权接入时沿用项目结构，核对运行版本与命中路径，完成真实请求 smoke、输出规格及相关回归。代码或 MR 不等于上线。

6. 交付与续跑

在目标仓库已有的 runs/artifacts 位置保存一份本轮记录和原始证据；没有时使用用户产物目录，必要时落在 artifacts/model-inference-optimize/<任务>-<时间>/。不要创建多份需要同步的台账。

先给结论：改了什么、同条件前后结果、质量结论；附复现命令、输入/环境/边界、逐样本证据与失败方案。明确实际完成与未运行的检查。没有有效收益也是有效结果，不虚构测量。

续跑先读同一记录，核对 commit/权重/环境/输入是否变化，再决定是否重测基线。引用历史案例注明日期、条件与限制；需要当前软件兼容性、价格或工具能力结论时核对官方资料。

对外分享的脱敏要求

分享实验记录、案例、截图或样片前，制作独立脱敏副本。移除用户名、本机/服务器路径、会话/任务 ID、仓库和分支标识、内部链接/地址、客户或项目名、原始 prompt/人物素材、凭证，以及可反查业务的日期、精确成绩、硬件拓扑和价格。可识别模型与业务的关联时改用技术角色描述。

保留问题、假设、方法、定性结果与失败教训。需要示例数值时明确标注合成数据，不把改写后的数值称为历史实测；不把私有证据链接或身份映射表带进公开包。原始证据仅保留在用户已有的私有产物位置。