arXiv · cs.AI· Guanyu Cai, Ruiming Tian, Lang Yang, Zhouhong Ren, Jinliang Yuan, Lingkun Li, Jiliang Wang·· 7 小时前
移动设备LLM推理的NPU效率瓶颈：PowerBench跨层测量研究
Is Your NPU Ready for LLMs? Dissecting the Hidden Efficiency Bottlenecks in Mobile LLM Inference
arXiv:2607.05475v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Guanyu Cai, Ruiming Tian, Lang Yang, Zhouhong Ren, Jinliang Yuan, Lingkun Li, Jiliang Wang
研究任务与主要进展
研究团队测量了五种主流框架及CPU、GPU、NPU三类后端的移动LLM推理效率，并开发PowerBench进行后端级能耗归因。结果显示，框架差异在NPU上的性能差距最高可达10倍；仅调节CPU频率即可使能耗最多降低39.7%，面向能耗优化的NPU配置在三个数据集上的估算节能幅度最高为53.2%。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org