LLM推理加速深度实战：从KV Cache到推测解码、Paged解码与量化的系统工程
深度拆解大模型推理优化的四大核心方向：PagedAttention显存管理、Speculative Decoding加速自回归解码、AWQ/GPTQ量化压缩、以及Continuous Batching调度策略，附实测数据对比和工程选型指南。
模型量化
边缘端模型推理优化：量化与张量分解的协同加速实战
深度解析边缘设备上大型AI模型推理加速的协同优化策略。从模型量化（GPTQ/AWQ/SmoothQuant）到张量分解（SVD/Tucker/CP），再到硬件感知编译优化，全面覆盖端侧推理的技术栈与实践要点。
边缘AI推理优化：从模型压缩到端侧部署的工程实践
深度解析边缘AI推理优化的全流程：从模型压缩（量化、剪枝、蒸馏）到推理引擎（ONNX Runtime、TensorRT、OpenVINO），再到端侧部署的工程实践。
