VLM能看懂吊牌上的语义关系——成分比例加起来是不是100%、尺码和品牌历史数据是否一致、洗涤符号描述有无矛盾——但推理速度是硬伤。一个VLM模型跑一张吊牌2-5秒产线一秒要处理4-5张图完全跟不上。为什么VLM推理这么慢VLM由视觉编码器ViT和语言模型LLM两部分组成。吊牌图片先经过视觉编码器变成视觉特征向量再输入语言模型生成文本输出。视觉编码器处理的是高分辨率图像计算量大。语言模型的解码过程是自回归的生成每个词都需要一次前向传播生成一句话需要多次前向传播。两者叠加延迟自然高。TensorRT-LLM做了什么事TensorRT-LLM是NVIDIA的推理优化方案做了三件事。一是层融合把多个小运算合并成一个大运算减少内核启动次数和内存读写。二是精度校准把FP32降到FP16或INT8计算量减少速度提升。三是动态张量管理根据输入动态调整内存分配减少显存碎片。对于VLMTensorRT-LLM还做了视觉编码器和语言模型的联合优化不是分开优化再拼起来。实测数据用LLaVA-1.6-7B模型跑吊牌识别输入384×384图像输出40-80个token硬件RTX 3060 12GBPython HuggingFace原生推理单张2200ms显存7.8GBPython TensorRT-LLMFP16单张480ms显存3.2GBPython TensorRT-LLMINT8单张350ms显存2.1GB速度提升4.5倍FP16到6.3倍INT8显存减少近60%到73%。INT8量化会不会影响识别准确率吊牌检测对准确率要求高INT8量化后的精度损失会不会导致识别错误实测数据FP16方案相比原生FP32准确率下降0.3%可以忽略INT8方案相比FP32准确率下降1.8%。对于吊牌这种文字清晰、格式规整的场景1.8%的准确率损失在可接受范围内。如果吊牌本身质量参差不齐模糊、反光、破损建议用FP16而不是INT8避免精度损失叠加图像质量损失导致识别失败。
