高通端侧AI实战(3): 骁龙平台端侧大模型部署实战

时间：2026-04-28 07:52:37

大语言模型系列(7): Qwen3-8B-8K模型端侧部署指南

本文介绍了基于 ai-engine-direct-helper 项目在 Windows 和Android平台上部署Qwen3-8B-8K模型的步骤，提供服务启动与 OpenAI 兼容接口调用方案。

时间：2026-04-28 07:45:44

高通端侧AI实战(2): YOLOv8在骁龙平台的部署实战

在第1篇中，我们学习了高通端侧AI的全景生态，包括Hexagon NPU架构、QNN SDK环境搭建，并成功运行了第一个MobileNetV2分类推理程序。本文将在其基础上，以YOLOv8目标检测为例，深入实战部署流程。

时间：2026-04-27 09:30:08

高通端侧AI实战(1): 高通端侧AI全景解析与QNN SDK实战入门

本文详解高通端侧 AI，对比云端突出低延迟、隐私、离线优势。解析 Hexagon NPU 架构，介绍 QNN SDK 全流程部署，含环境搭建、模型转换、C++ 推理实战，说明多后端选型，附踩坑调试方法，覆盖从原理到落地的完整实践。

时间：2026-04-23 09:23:51

基于高通跃龙IQ-9100的边端协同智能客服系统(3): 云端接入、系统集成与优化实践

在前两篇文章中，我们介绍了边端协同架构的设计思路，并在高通跃龙IQ-9100上完成了Whisper ASR和VITS TTS模型的部署。现在，我们将接入DeepSeek云端大模型，构建完整的客服系统，并讨论性能优化与部署最佳实践。

时间：2026-04-22 09:38:59

基于高通跃龙IQ-9100的边端协同智能客服系统(2): 边缘端ASR/TTS模型部署实战

在第一篇文章中，我们介绍了边端协同架构的优势、高通跃龙IQ-9100平台的硬件特性以及系统整体架构设计。接下来，我们将进入实战环节，在IQ-9100平台上完成ASR和TTS模型的部署。

时间：2026-04-21 07:46:07

基于高通跃龙IQ-9100的边端协同智能客服系统(1): 架构设计与硬件选型

该序列文章涵盖硬件平台选型分析、模型选择与量化优化、系统架构设计、核心代码实现以及性能调优等关键环节，为嵌入式AI开发者提供可落地的技术参考。

时间：2026-04-20 09:46:35

WinPE制作系列(1):如何为ARM架构的设备制作WinPE映像

本文档用于指导IT人员，为ARM设备（基于骁龙 X 系列平台）制作可启动的 Windows 预安装环境（WinPE）映像。本文档中的步骤可作为制作WinPE 的快速入门示例，适用于实验、部署 验证以及基础故障排查等场景。

时间：2026-04-16 14:47:25

高通跃龙IQ-9075跨板刷机实战：将高通EVK开发板镜像写入Thundercomm开发板

本文以高通跃龙 IQ-9075 平台为对象，尝试将高通 EVK 开发板 Ubuntu 镜像跨板刷入 Thundercomm DevKit。直接刷入因固件不匹配致系统崩溃，改用原厂底层固件 + 高通系统镜像混合方案，修复引导参数后成功启动，验证同 SoC 跨板刷机可行性与关键故障原因。

时间：2026-04-16 09:29:42

在高通跃龙IQ-9100上实现振荡电流故障预测(3): 实时推理服务与告警系统实现

前两篇文章分别完成了硬件接入与数据采集、LSTM模型训练与边缘部署，打通了从传感器到模型推理的完整链路。然而，在实际工业现场中，仅有模型是不够的——我们需要一个稳定、实时、可运维的推理服务，能够持续采集数据、调用模型、输出结果，并在检测到异常时及时告警。

时间：2026-04-15 09:51:47

在高通跃龙IQ-9100上实现振荡电流故障预测(2): LSTM模型训练与边缘部署

在上一篇文章中，我们完成了振动与电流传感器的硬件接入与数据采集，实现了从传感器到CSV文件的完整数据通道。本文将进一步介绍如何利用采集到的数据（或公开数据集）训练LSTM故障分类模型，并将其部署到高通跃龙IQ-9100边缘设备上，完成“采集 → 推理 → 告警”的闭环。

时间：2026-04-14 13:35:55