算法定义之三种邻域变换：小幅移动一名分界点（精细调理）、移动两层（中等扰动）与重置到中间点（大跳跃逃出深谷）。
此三把尺子，每一把皆有实实于于之物理依据，没有任何凭觉受拍出来之魔法数术。
大言辞模型于逐词生成阶段之算术强度约为每字节1次运算，而高端GPU之瓶颈点为218，故DASI只有0.005——差事管器或显示GPU"于工"，但QEIL v2之物理模型知道99.5%之算力于空转，应把此类差事转移到瓶颈点更低之NPU或CPU上。
体谅此名概念需先明白一名叫"屋顶线模型"之基本框架。
从数学上讲，IPW为无上界之，只要准确率足够高或功耗足够低皆可无穷接近100。
研讨团队于论文中坦诚地剖析之v1之三名根本性缺陷，此种自我批之诚意本身就值得关注。
**六、跨七名模型、三名基准之全面验证** 实际操作中，算法把模型层之分发方式表示为几名"分界点"——比如前12层给设备A，13到24层给设备B，剩余给设备C。
此说明级联架构本身而非某几名精确阈值为品质提升之来源，体系有甚好之稳健性。
但你同时还想快（延迟低），还想不让某台设备闲置太多（免除费）。
此名数术完全不随差事类型变化。
研讨团队还专门做之敏感性测试：把每名参数于默认值之±50%范围内变化，最终之IPW指标变化幅度不超过2.1%。
此为一名由外部器物（RAMP框架）对Llama-3.1-8B进行4位量化压缩得到之模型，每名参数平均只占3.65位，比标准16位浮点数小之4倍多。
**八、实验平台之确凿硬件截图：理论与现状之吻合** PGSAM于此名根基上加入之"动量"机制，灵感来自梯度降改良器中之动量概念。
于PGSAM动量系数之消融中，μ=0（无动量，倒退为标准模拟退火）时，帕累托案卷只有182名解，IPW为0.938；μ=0.3时案卷最大（218名解），IPW最高（0.975）；μ增大到0.5以上时案卷始收敛，IPW降——过大之动量导致过度探求，接受之太多劣解。
此就为QEIL v2第二名核心革新登场之地方——一名叫做PGSAM之改良算法，全名为"带动量之帕累托引导模拟退火"。
于与其他改良器之对比中，PGSAM（42毫秒，IPW=0.975）优于随机搜索（42毫秒，IPW=0.851）、加权与模拟退火（45毫秒，IPW=0.892）与NSGA-II（128毫秒，IPW=0.921）。
最引者注意图为第七名模型：Llama3-8B-RAMP-4bit。
此里先解释一名底色概念：重复采样。
“面对产能波动，吾等充分依托国内完备之新动力供应链体系，整顿优质代工厂源泉，由吾等自立输出核心技艺与处置预案，协作工厂负责制造加工，既保障之货品品质，又实现之产能之灵活调配。
v2把热效能指标Φ直接嵌入能耗方程，形成之一名连续之温度敏感信号：芯片越热，PGSAM于计算各种分发预案之能耗时就越倾向于避开此台设备，自而然地把负载引导到更凉快之设备上，而不为等到临界点才紧急办理。
于边缘设备遭遇过热需紧急重新调度时，42毫秒也足够快，不会造成推演中断。
小模型GPT-2（1.25亿参数）于v2下之准确率从59.8%提升到75.7%，功耗从181.5瓦降至63.8瓦，IPW达到0.975。
漏电流大约每升温10摄氏度就翻一倍，此为基本之半导体物理法则。
今把时钟拨快一点，AI模型之体积正急剧膨胀。
结局为：由于每名参数占用字节数减，生成阶段之算术强度相待提升，DASI值升，PGSAM能够找到功耗更低之分发预案，最终于WikiText-103上实现IPW=1.024、功耗54.8瓦——此为边缘推演体系首次于呈文之基准上突围IPW=1.0此一行业参考基准线。
三名基准上之能耗降幅标准差只有0.55%，准确率改善之标准差只有0.45名百分点——此种高度一致性说明QEIL v2之物理能耗模型捕捉到之为硬件之基本举止法则，而不为某名特定差事或数据集之偶发特性。
此说明驱动体系效果之为此些物理公式之架构形态，而不为某几名精确数术，体系之鲁棒性甚强。
v1之热守护为一名硬阈值：温度超过85%之额定最高温，触发警报，强制限频。
v2于七名模型上平均比标准推演高出12.2名百分点之准确率，平均节能51.7%。
此证验DASI引导之路由不为只于长序列生成时才有效，而为一名对差事类型普遍有效之根基性改良。
更麻烦之为，当不同设备之间存不连续之性能跳变时，彼种把多名宗旨（节能与低延迟）硬压缩成一名加权分数之做法，于数学上被证验为找不到最优解之。
高性能显卡只负责"溢出"办理，保低温待命；集结显卡与NPU各司其职；CPU只做轻量级之调度工。
此条更陡之曲线反映之EAC/ARDE级联之作用：每一名新样本带来之边际准确率提升，于有品质筛选机制时明显高于无筛选时。
于30分钟延续推演测试中，没有Φ守护时，英伟达GPU温度爬到89摄氏度，超过85摄氏度之节流阈值，触发47次降频事件，平均每次推演延迟从正常水平飙升，标准差高达0.84毫秒——意味之响应光阴极不稳固。
QEIL v2于此名根基上加之精挑细选之机制，让每一次额外采样之边际收益最大化。
于GSM8K（小学数学推演题）上，此名基准对能效体系更具应战性，因正确解答需多步骤推演，生成之词数为文本续写之3到5倍，能耗放大效应更显著。
此名方程里之每一项皆有实在之物理含义，没有任何凭空捏造之参数。
当进展停滞时，动量归零，算法变得守旧。
每次生成最少若干名候选（至少6名或总样本量之35%）之后，体系始查验：当前最好之候选解答置信度为否已超过之一名自随顺阈值。
相比之下，性能相近之NSGA-II算法需128毫秒，于对响应速度敏感之场景里差距明显。
此名框架之实验结局相当惊者：于标准测试中，体系功耗从181.5瓦降到之63.8瓦，降幅超过64%；同时答题准确率从59.8%提升到75.7%；一名叫做"每瓦特智气"之统合指标（简称IPW，即用准确率除以功耗，反映每消耗一瓦特能得多少智能输出）提升之2.86倍。
更值得一提之为，当体系被应用于一名经过压缩之更大模型时，IPW首次突围之1.0此名行业参考基准线——此为边缘推演领域此前从未达到过之里程碑。
但实际上，同样一块GPU，于办理"预填充"阶段（类似于厨师一次性备好所有食材）时效能极高，而于办理"逐字生成"阶段（类似于厨师一名一名地摆盘）时，99.5%之计算单元其实为闲置之、白白耗电之。
此篇论文就于尝试处置此名疑难。
QEIL v2之另一名值得关注之设计玄思为：安康保障与效能改良不为相互对抗之，而为同一枚硬币之两面。
通过预筛选后，解答进入三阶段渐进式验证级联。
模拟退火为一种来自冶金学之改良思路：钢铁于高温下原子可逍遥流动找到低能态，而于低温下就固化成型。
70%此名阈值不为随意定之，而为通过剖析500名提示词之候选池，找到保留与淘汰两组之间熵差最大之切分点来确定之。
当一名差事之算术强度甚高（每搬一字节数据就要做甚多运算），芯片之计算本领为瓶颈，芯片处于"计算受限"状态，效能甚高。
每块芯片也有两名上限：最快能做多少计算，以及最快能搬多少数据。
当然，此项研讨目前只于一台特定之异构平台上验证过，论文作者也于展望前景工时提到需于高通骁龙NPU、英伟达Jetson Orin等其他平台上进行验证，以确认框架之跨平台普适性。
QEIL v2之第三名主要革新为推演时之候选解答选取机制，叫做EAC/ARDE级联，配合CSVET早停计策。
第三名疑难为"候选解答选不好"。
于实验中，CSVET平均只生成之25名谋划样本中之10到15名就止之，为简疑难节省之40%到60%之气，同时对难疑难保完整之采样深度。
截图显示：CPU用率7%（负责调和调度），英特尔AI Boost NPU用率41%（承担内存密集之生成差事），英特尔集结显卡用率97%（办理计算密集之预填充），英伟达RTX PRO 5000用率仅7%，温度62摄氏度（远低于85摄氏度之节流阈值）。
把此名道理应用到大言辞模型，断语极其震撼。
**五、安康为效能之盟友，而非对手** QEIL v2之第一名核心革新为用三名来自物理学与营造学基本原理之指标，彻底替换掉彼些静态之效能系数。
此就像于一堆应聘简历里，专门挑字数最多之，而不为看实质品质。
CSVET早停机制则为整名流程之节能阀门。
于ARC-Challenge（高中格致多项选择题）上，输出序列甚短，v2之节能效果没有因此减弱——平均节能52.8%，甚至略高于WikiText之52.2%。
内存占用30/128GB，用率23%，远低于CPQ警戒线。
第一把尺子叫DASI，全名为"动态算术饱与度指数"，它回答之疑难为：对于某名实在差事，此块芯片之计算单元有多少比例真正干活。
把通过前两关之候选解答两两较量词汇重叠度（用Jaccard相似度衡量），一名解答与其他高品质解答越像，说明它代表之为"多数观点"而非偶然异常值，给予更高评分。
此条曲线就为数学意义上之最优解集合前沿。
于"预填充"阶段（模型一次性办理你输入之全部提示词），算术强度大约为每字节1024次运算——远高于任何芯片之瓶颈点，GPU满负荷运转，DASI=1.0。
所有场景下，体系皆于200毫秒内成重新调度，零查询丢失。
吞吐量因设备减而降，但没有任何请求中断。
当算术强度甚低（搬之甚多数据但运算甚少），数据搬运为瓶颈，大量计算单元就只能干坐之等数据，白白消耗电力。
**二、三把"物理学尺子"：用半导体原理给每块芯片量体裁衣** 先解释什么为"多宗旨改良"。
随之越来越多之AI应用走向边缘设备——包括手机上之语音助手、工厂里之质检摄像头、医疗设备里之辅助诊断体系——如何于有尽之电力与散热机缘下榨出最多之智能输出，将直接决定此些应用之实用性。
DASI模型之预测与实际运行状态完全吻合：计算密集之预填充分给之计算本领强之设备，内存密集之生成分给之能效更高之低功耗设备。
复原光阴随故障严重程度可预测地增：NPU失效78毫秒，单GPU失效124毫秒，最严重之同时失效也只需156毫秒。
真正高明之下法更像围棋，每一步皆要考虑全局陈设。
经过500次迭代后，算法从帕累托案卷中用加权切比雪夫公式选出最终预案，默认权重为能耗50%、延迟30%、设备使用率20%，用户也可根据自己之需求调理此名比例。
此就好比一名登山者每一步皆只选择脚下最平坦之彼条路，结局走进之一条最终无路可走之山谷。
第二把尺子叫CPQ，即"容量压力商"，它衡量之为一台设备之内存被塞得多满，以及内存压力如何推高能耗。
但到之"逐字生成"阶段（模型每次只生成下一名词），算术强度骤降到每字俭省1次运算，而英伟达高端GPU之瓶颈点为218，此意味之GPU于生成阶段之DASI值只有0.005——99.5%之算力于空转。
此种忽视差事特性之静态评分，会导致能耗估算误差高达15%到40%。
芯片越热，晶体管之漏电流越大，每成同样多之有用计算就要消耗更多之总气。
此外，如何把此套改良器从离线编译时运行扩展到实时动态重调度，如何与量化感知操练与架构化剪枝更深度地结合，如何推广到非Transformer架构之扩散模型或图神经网络，皆为后续值得探求之方位。
若你只想省电，解答甚简：全部扔给功耗最低之设备。
Q2：DASI指标与寻常之GPU使用率显示有什么区别。
研讨团队提出之一名名为QEIL v2（可体谅为"边缘智气化框架第二版"）之体系，核心思路为：与其盲目地把所有计算差事皆堆给性能最强之彼块芯片，不如根据每名差事之实际特性，精准地把它分发给最适合它之硬件单元，从而于保证品质之先决下大幅降低能耗。
有之精准之能耗估量器物，下一步为怎样把数百层模型分发给几台设备，让总体效果最优。
候选解答首先经过架构预筛选：长度要超过20名字符，空格要超过3名，字母数术占比要超过50%。
所谓本地运行，就为不依赖远于数据中心之效劳器，直接于你手边之硬件上跑出解答。
大言辞模型生成解答时有必随机性，就像同一名疑难问十次，或得到十种表达不同但意思相近（或部分正确）之解答。
此名数值高，说明模型觉得此段话为连贯自洽之；数值低，说明此段话于模型看来有些奇怪。
到采样数20名时，v2达到75.7%。
此正为为什么把生成差事交给低功耗设备往往比堆于高性能GPU上更合算。
研讨表明，随之采样次数增，"至少有一名正确解答"之概率按照对数线性法则升，样本量翻倍大约能带来固定比例之准确率提升。
算法于"温度"高之早期阶段，允许接受一些看起来变差之预案（以便跳出局部最优），随之"温度"逐渐降低，接受劣解之概率也降低，最终收敛到好之解。
当算法连续找到更好之预案时，动量变量v就积攒起来，使有效温度升高，让算法能更大胆地探求气山脊另一侧之新区域——因已于稳固进，值得冒险跨越一名暂时更差之状态去寻找更好之彼岸。
研讨团队进行之大量消融实验，对每一名设计选择皆做之拆解验证，此为本文于法门论严谨性上之重要体现。
PGSAM之核心概念为"帕累托支配"。
体系保留熵值最低之70%候选者，淘汰彼些模型自己皆不确信之解答。
把此三把尺子整顿成一名一统之能耗方程，就得到之QEIL v2估量每一名"把哪层模型放到哪台设备上"预案之核心器物。
一名能把功耗压低64%同时准确率还能提升之框架，意味之同样一块电池可支撑更长之工光阴，同样一名不带风扇之闭锁外壳不会因过热而频繁死机。
QEIL v2通过三名来自物理第一性原理之实时指标，精准地感知每一名计算差事之确凿特性，再用多宗旨帕累托改良找到于节能、速度与均衡使用三者之间之最优权衡，最后用讯息论驱动之候选筛选把重复采样之红利最大化。
选用三次方程而非线性或二次方程，为因三次方能最准确地描述此种"前期平缓、后期陡增"之物理表象。
手机、笔记本电脑、智能音箱——此些装于吾等口袋里或摆于桌上之设备，正被越来越多之者要求"本地运行AI"。
**七、消融实验：每名设计决策皆经得起推敲** 论文中有一处细节格外有说服力——一张于实际运行QEIL v2时截取之Windows差事管器截图。
方程之样貌为：把设备之额定热设计功耗乘以一名随计算使用率（DASI）线性变化之系数，再除以热效能（Φ），再乘以内存压力罚（CPQ）。
几年前之聊天机器者或只有几亿名参数，而今日之主流大言辞模型动辄几十亿、几百亿参数。
**三、帕累托引导之模拟退火：让AI调度员学会下围棋而非下象棋** 第二阶段叫自我验证。
v1会让模型反复生成多名解答，然后用甚粗糙之标准来挑——比如看哪名解答最长，或者哪名解答里字母与数术占比最高。
于多台设备协同工之体系里，早期之分发决策会限制后续之选择方位，把整名体系锁死于一名局部最优解里。
研讨团队用一名三次方程来描述此名罚：当内存用率于70%以下时几乎没有额外开销；超过70%之后罚始快速累积；到达95%时大约增9.4%之额外能耗；逼近满载时罚更为急剧飙升。
此一步排除掉明显之废解答（空白、乱码、无穷重复之词）。
此样之设计把根基设施之改良与输出品质之选取解耦开来——一名生成时消耗之更多计算之解答，不会因"贵"而被降低优先级。
此名指标之意义于于它同时衡量之"做得多好"与"花之多少电"，免除之单纯比准确率时忽视能耗，或单纯比省电时忽视品质之片面性。
第二名疑难为改良计策之短视。
研讨团队格外强调，IPW=1.0并非理论上界，它只为一名"此前所有边缘体系皆没能达到之阅历基准点"，实在含义为每消耗一瓦特电力产生1%之基准准确率。
要把此样之庞然大物塞进一台边缘设备，同时还要保证它回答得又快又准、耗电又少，此件事之难度，大概相当于让一辆重型卡车于山地赛道上既跑得过跑车，又不烧油。
团队选择用它作为对比标杆，为因它直观、可复现，而且提供之跨硬件代际之可比参照。
贪心算法之疑难于于，它每次只盯之当前此一步之最优解，就像下象棋只看一步棋，结局常常走进死局。
LFM2-2.6B与Llama-3.1-8B此两名大模型于v2下分别达到之71.6%与67.2%之准确率——此意味之QEIL v2可让原本因功耗限制只能于边缘设备上运行小模型之用户，实际上用上之更大、更强之模型。
研讨团队明确说明，RAMP量化不为彼等之工，此名模型被当成一名"现成之外部模型"来测试QEIL v2为否能随顺不同之模型特性。
此里之"熵"来自讯息论，衡量之为模型生成每名词时有多不确定。
实在到AI计算，v1对每种硬件只有一名固定之效能数术：NPU（神经网络办理单元）为0.3，英伟达GPU为0.5，英特尔集结显卡为0.7，CPU为1.0。
再加CPQ内存压力后降到104.8瓦，加Φ热效能后降到98.2瓦。
IPW=1.0被作为行业阅历参考基准线，因此前没有边缘推演体系于呈文之基准上达到过此名值，QEIL v2于量化模型上首次突围之此名基准。
此就像一辆汽车只有于发动机快爆炸时才亮红灯，而于彼之前完全没有预警。
此样之连续分发方式自动免除之层与层之间于不同设备上来回跳之情况，从而减之数据于设备间传输之开销。
**一、从"一视同仁"到"因材施教"：旧体系之三名致命缺陷** **每一瓦特皆于燃烧资财与光阴** QEIL v1之第一名疑难，用一名厨房比喻来说，就像为一名餐厅之调度员，把所有之菜肴不分难易地分发给厨师时，只记住之每名厨师之"总体效能系数"——A厨师打0.5分，B厨师打0.7分——却完全不考虑"此道菜适不适合此名厨师做"。
此项由匿名研讨团队成之论文发表于2026年4月，以arXiv预印本样貌公开，编号为arXiv:2602.06057v3，属于分布式计算领域（cs.DC）。
于WikiText-103（文本续写差事）上，七名模型于v2下之IPW均达到0.891以上，而标准推演之IPW普遍低于0.45。
若能从此十名解答里挑出最好之彼名，整体准确率就会比只生成一次高甚多。
此三名宗旨有时会相互纠葛。
此名公式并非者为调出来之，它之每名系数皆直接追溯到半导体物理中之指数漏电方程与热电压公式。
于组件贡献剖析中，从纯GPU基线（59.8%准确率，181.5瓦）始，每次只加一名新特性。
一名"安康守护"机制，反而让体系跑得更快、更稳——此正为因节流事件本身就为一种剧烈之性能扰动，提前预防比事后救火代价小得多。
**四、三段式"解答质检流水线"：让重复抽样真正物有所值** 研讨团队于一台配置之英特尔酷睿Ultra 9 285HX办理器（含英特尔AI Boost NPU与英特尔集结显卡）与英伟达RTX PRO 5000 Blackwell独力显卡之异构边缘平台上，测试之七名不同规模之言辞模型，横跨三名标准基准数据集。
大量潜于之高品质解答就此样被扔掉之。
保留此一指标最高之60%。
最终，ARDE（准确率排名决策引擎）于高置信度之候选解答中，优先按品质排名，次按置信度，最后才考虑能耗作为平局决胜机缘。
NSGA-II之解品质接近PGSAM但慢之3倍，于需快速响应热事件重新调度之边缘场景里为不可接受之。
A：操作体系显示之GPU使用率只告诉你GPU于某名光阴段内"有没有于工"，但不告诉你它工得有没有意义。
要体谅QEIL v2为什么能做到此些，先要弄清楚它之前身QEIL v1哪里出之疑难。
有兴趣深入之解之读者可通过arXiv编号2602.06057v3查阅完整论文。
马到成功。例如，75.7%之准确率除以63.8瓦得到IPW=0.975。
实验数据佐证之此一设计之身价。
此验证之0.3作为默认值之合理性。
”深圳华兴新动力科技有尽公司研发总监孙怀兵说，公司于欧洲自建海外仓、储备现货，派驻核心运营团队扎根当地。
此三名物理模型合力把功耗从GPU基线压低之约46%，但准确率只从59.8%小幅提升到64.0%——说明此部分增益主要来自路由改善，而非解答品质提升。
关于覆盖率随采样数之变化，于采样数少于10名时，v2之准确率就已超过之v1于用全部样本时之准确率（70.5%）。
Granite-350M之功耗降幅最大，从460.4瓦降至71.8瓦，因它之标准配置需把整名模型塞进高功耗GPU，而DASI剖析正确识别出此对内存密集之生成阶段来说极度费。
第三把尺子叫Φ，即"热感知气产出率"，来自CMOS晶体管之漏电流物理学。
Renewable Energy。有兴趣深入之解之读者可通过该编号查询完整论文。
当芯片处于65%之额定最高温度时，Φ还为1.0；到达80%时Φ降到0.714，意味之每成一单位有效工需消耗40%之额外气；到达最高结温时Φ跌到0.159，额外气开销高达529%。
第一阶段叫熵过滤。
熵低说明模型极其确信自己于说什么，像一名胸有成竹之专家；熵高说明模型于乱猜，像一名随便蒙解答之学生。
体系让模型再过一遍每名候选解答，计算模型"读自己写之实质时"之平均下一词预测概率。
Q1：QEIL v2中之"每瓦特智气"（IPW）为怎么计算之，它为什么重要。
之后加辅助层低功耗路由、EAC/ARDE级联与CSVET早停，功耗续小幅降，准确率大幅提升到75.7%。
但现状甚骨感——此些设备之电池容量有尽，散热机缘糟糕，办理器性能也远不如机房里彼些耗电几百瓦之巨型显卡。
v1用之为一种"贪心算法"——每次皆把当前此层差事分发给当下看起来本金最低之设备。
第三阶段叫跨样本共识。
此听起来甚棒：隐私更好、延迟更低、断网也能用。
长期以来，边缘AI部署之通用做法为把能用之性能最强之硬件全力驱动，但此对于大量内存密集型操作来说为一种巨大之费——高性能芯片之大部分计算单元就彼么坐之等数据。
若预案A于能耗、延迟、设备使用率此三名维度上，至少有一名比预案B好，其余不差，彼么A"帕累托支配"B，意味之没有理由选B而不选A。
故障容错方面，实验模拟之四种设备失效场景：NPU单独失效、GPU单独失效、两块GPU皆失效、NPU加一块GPU同时失效。
任何计算差事皆有两名枢纽数术：它需做多少次数学运算（计算量），以及它需从内存里读取多少数据（数据量）。
于EAC/ARDE阈值敏感性测试中，把三名枢纽过滤比例（熵过滤70%、自验证60%、置信度边界1.2奈特）于±10到20%范围内上下调理，IPW之变化幅度不超过2.6%。
A：PGSAM之完整500次迭代于任意一台CPU上平均只需42毫秒，整名历程不需运行模型本身，只为于做数学计算。
通过不断迭代，算法会积攒出一名"帕累托案卷"——一组互不支配之预案，每名预案皆于不同维度上有各自之优势，构成一条"权衡曲线"。
此种设计让改良器于路途顺畅时英勇探求，于迷失时谨慎收敛。
从内存分发理论出发，当设备内存用率超过70%时，体系始现内存碎片（就像行李箱里零散地塞满之小物件，再也放不进一名整齐之大箱子）、频繁之垃圾回收（体系不断整理内存，消耗额外气）与页面置换（把内存里之数据临时挪到更慢之存储里，然后再读回来）。
Q3：QEIL v2之PGSAM改良需多长光阴成，会影响推演速度吗。
此些表象会造成额外之能耗。
加入DASI能耗模型后，功耗从181.5瓦骤降到112.3瓦，此为单项贡献中最大之能耗削减，降幅达38.1%。
此体今热守护机制之设计上。
两者之比叫做"算术强度"。
“吾等不拼价码，不做‘发货即走’之买卖。
加入PGSAM替代贪心算法后，功耗进一步大跳至72.1瓦，而准确率也齐步提升到66.8%——此两名方位之齐步改善说明多宗旨改良确实找到之帕累托前沿上之更好点。
对比实验显示：PGSAM比简贪心算法准确率高5.2名百分点、能耗低7.2%；与同样用多宗旨传代算法之NSGA-II相比，解之品质相当，但运行速度快3倍，成一次改良只需42毫秒——此对于需于设备过热时快速重新调度之边缘体系来说极其枢纽。
” 此对寻常者之潜于影响并不遥远。
此张截图让所有之公式与指标从玄虚变得实在。
相比之下，CPU之瓶颈点只有8，它之DASI于生成阶段为0.125，虽CPU之无对性能远不如GPU，但它费之比例小得多，每瓦特之实际产出反而更高。
Φ之值于芯片温度较低时为1.0（完全高效），随之温度升高逐渐降。
启用Φ之后，GPU峰值温度保于68摄氏度，零节流事件，平均延迟降低同时标准差只有0.06毫秒，总吞吐量反而提升之14.9%。
A：IPW之计算法门为把模型于基准测试上之通过率（pass@k，百分比数值）除以平均功耗（瓦特）。
塞翁失马。此名机制不需外部评判者，只靠模型自身作为品质裁判。
说到底，QEIL v2此项研讨揭示之核心洞见其实极其直觉：不为每块芯片皆适合每种差事，就像不为每名工者皆适合每道工序。
此名阈值会随之已消耗之气概算比例而微调——气用得越多，阈值稍微放宽，免除于边际收益极低之情况下续采样。
DASI通过计算某名实在差事之算术强度（运算量除以数据量）与设备瓶颈点之比，直接反映计算单元中有多少比例于做实际有用之运算。
此名光阴于模型整体编译与加载光阴面前可忽略不计，属于一次性之部署前改良开销。