约束驱动的模型优化：面向机器学习系统选择压缩与加速技术的工业框架

该论文提出一个约束驱动的模型优化框架，将生产部署中的优化问题抽象为五个约束维度（数据可用性、延迟预算、内存预算、准确度容差、重训练预算），并综合研究文献中的经验增益，将其映射到操作约束而非算法类别，提供了面向四个工业场景的优化流程。

此前从业者多凭启发式方法选择优化技术，该框架首次以结构化方式将模型优化视为约束感知的多目标工程决策，使技术选择可基于明确的操作约束而非算法类别重复执行。

框架将生产环境拆分为五个可量化的约束维度，并汇总文献中不同技术（量化、剪枝、蒸馏等）在各类约束下的经验表现，从而提供一种基于约束匹配而非算法类别的决策流程，帮助团队系统性地筛选适合自身场景的优化方案。

产品团队可依据框架的五维度约束清单，系统评估自身部署场景的优化需求，减少试错成本；但需先定义本项目的具体约束值，框架本身不提供自动化工具。

• 边缘部署团队可套用框架梳理延迟与内存预算，快速筛选量化或剪枝方案
• 云服务团队可基于重训练预算选择参数高效微调（PEFT）或知识蒸馏路径
• 将五维约束清单嵌入设计评审流程，作为模型优化的标准化检查表

• 框架在真实工业场景中能否显著优于启发式方法，缺乏验证
• 五个约束维度是否覆盖所有生产瓶颈（如能耗、合规性）尚未明确
• 跨维度权衡（如延迟与准确度）的具体数值映射方法未在摘要中详述