研究
我们的研究围绕一个问题：端侧模型交付之后，如何继续学习？Neural Imprint 是我们的答案；下面的推理效率研究则让它能在手机上运行。每项研究都为某个真实产品解锁能力。
Neural Imprint：与用户一同成长的模型——不更新权重的端侧 AI 进化
我们关于端侧持续学习的论文。不同于更新权重（微调）或每轮重新注入文本（RAG），Neural Imprint 从本地行为数据中蒸馏出一份紧凑的用户表示，并将其持久化为可跨会话恢复的推理状态。基座权重保持冻结，数据不离开设备，每份状态都可验证、可即时回滚。
- ▶在 8 个应用领域、2 种模型规模（Qwen3.5-4B / 9B）和 2 台 iPhone 上验证，使用合成行为数据（3,283 条记录）
- ▶16/16 A-library 健康门控通过（8 领域 × 2 模型规模）
- ▶16/16 个性化画像回答零工具调用完成；16/16 工具自主调用正确
- ▶完整流水线运行于消费级 iPhone 的 6 GB 内存上限之内，零云端依赖
- ▶手稿（2026）——全文暂未公开
按层流式卸载：在 8GB 边缘设备上运行 9B+ 大模型
通过从 NVMe 存储按层流式加载权重，使超出设备内存的模型能在 iPad 和 iPhone 上推理。88% 峰值内存减少，带宽缩放在 Apple Silicon 设备上得到验证。
- ▶60–88% 内存减少：27B 模型仅需 1.7 GB 峰值内存即可运行
- ▶9B-6bit 在 8GB iPad 上 OOM 证明所有 9B+ 模型都需要流式加载
- ▶iPad/iPhone TPS 比值 = 1.92x 完美匹配 2x 带宽比
推测解码对混合专家模型有帮助吗？
306 次实验的实证研究表明，尽管草稿接受率低于 4%，推测解码仍能为 Qwen3.5-35B-A3B MoE 模型提供 1.18–1.30× 加速，其机制是批量验证摊销减少了内存带宽开销。
- ▶0.8B 草稿模型在 γ=16 时实现 1.30× MoE 加速，接受率仅 0.2%
- ▶加速与总参数量（内存带宽）而非活跃参数量成正比
- ▶批量验证摊销：超越接受率的新 SD 加速机制
Apple Silicon 端侧 LLM 推理：从量化到投机解码
对 Qwen3.5 在三台 Apple Silicon 设备（M2 Ultra、M1 Max、M2 Pro）上的 7 种 GGUF 量化级别和投机解码进行系统性基准测试，确立 Q6_K 为 Pareto 最优选择，≥2.5× 草稿/目标速比为 SD 可行性阈值。
- ▶Q6_K Pareto 最优：速度提升 1.68 倍，体积缩小 59%，PPL 损失 0.54%
- ▶投机解码吞吐量提升 +25.7%（0.8B→9B，k=4）
- ▶GGML_RPC 跨设备 SD：79% 开销——不适合生产部署
消费级硬件上的跨域个人数据整合
在消费级 Apple Silicon 上整合财务、饮食、情绪和阅读数据，产生涌现式跨域洞察，零数据泄漏。
- ▶1.48x 跨域洞察涌现增量 (IIR)
- ▶125.5x 联邦压缩比，零数据泄漏
- ▶49.9 TPS 实时推理 (35B on M2 Ultra)
ANE 批量预填充实现端侧并行 LLM 推理
通过融合批量矩阵-向量内核，在 Apple Silicon 上实现 ANE 预填充与 GPU 解码并发执行，批量调度吞吐量提升 11.3 倍。
- ▶批量调度加速 11.3 倍 (268 tok/s)
- ▶并发管线功耗降低 79%
- ▶多轮对话 TTFT 仅 27ms
Apple Silicon 上的分离式 LLM 推理
基准测试 CoreML ANE 预填充 + MLX GPU 解码，在 Apple Silicon 上对比四种 Qwen3.5 推理策略。
- ▶ANE 预填充在约 410 token 处追平 GPU
- ▶预填充阶段 GPU 功耗降低 282 倍
- ▶4 种推理管线全面基准测试
端侧文本转语音
Qwen3 TTS 0.6B 的原生 Swift 实现，支持实时端侧语音合成。
- ▶67% 模型压缩 (2.35 GB → 808 MB)
- ▶实时合成 (RTF 0.68x)
- ▶支持 12 种语言
端侧视觉语言模型
多阶段压缩管线，将 Gemma 3 4B VLM 部署到消费级硬件。
- ▶25% 模型压缩 (2.8 GB → 2.1 GB)
- ▶110 tok/s 文本生成
- ▶3.4x 图像处理加速