開發工具
Google AI Edge Model Explorer 支援自訂 Edge 編譯器圖形除錯
Bringing Visual Graph Debugging to Custom Edge Compilers with Model Explorer

developers.googleblog.com · 2026-10-25
摘要
Google 宣布 AI Edge Model Explorer 現已支援自訂編譯器中繼表示法及 TOSA、VGF、PTE 等開源適配器,讓開發者能針對裝置端機器學習進行除錯。此更新提供階層式圖形視覺化、分割視窗及節點追蹤覆蓋功能,協助工程團隊透明化偵錯執行圖並準確定位延遲瓶頸。
Google AI Edge Model Explorer 支援自訂 Edge 編譯器圖形除錯
Google 於 2026 年 10 月 20 日宣布,Google AI Edge Model Explorer 現已支援自訂編譯器中繼表示法(IR),以及 TOSA、VGF、PTE 等開源適配器。這次更新是為了協助開發者除錯裝置端機器學習。它提供階層式圖形視覺化、分割視窗和節點追蹤覆蓋功能,讓工程團隊能清楚檢視執行圖,並準確找出延遲瓶頸。
邊緣部署的三大挑戰
機器學習模型需要在各種硬體上本地運行,範圍從低功耗邊緣裝置,到遊戲圖形及實體 AI 系統。要讓模型在這些目標上高效執行,必須經過量化、圖形降級、算子融合及硬體委派等編譯步驟。模型部署到邊緣硬體時,框架變更或算子限制可能改變匯出的執行圖。工程師通常得回答三個核心問題:圖形降級後,結構是否完整,有沒有出現非預期的算子(如額外的佈局轉置);硬體委派是否完全轉移到 NPU 或 GPU,還是有不受支援的子圖回退到 CPU;以及哪些節點在降級後的圖形中佔用最多運算週期。
以往要回答這些問題,得閱讀原始 flatbuffers 或文字日誌,既耗時又費力,大型語言模型(LLM)和神經網路尤其如此。Arm 需要一款視覺化工具,用來檢查 Arm 特定的中繼表示法及硬體效能追蹤資料。
Arm 如何利用 Model Explorer 進行視覺化除錯
Arm 利用 Model Explorer 的階層式圖形視覺化及外掛架構,開發了多個開源適配器,讓邊緣模型的轉換過程更容易檢查。這些擴充功能可讓工程團隊驗證匯出管線、確認加速器委派,並直接在模型圖形上找出週期層級的效能瓶頸。
### 偵測 VGF 格式中隱藏的匯出回歸
Arm 工程師用 Model Explorer 驗證 PyTorch 訓練的 Neural Super Sampling(NSS)模型,該模型是透過 ExecuTorch Arm 後端匯出為 Vulkan ML Extensions VGF 檔案。檢查 VGF 圖形時,團隊發現 ExecuTorch Arm 後端的變更帶入了非預期的 TRANSPOSE 算子。Model Explorer 可以檢查模型圖形的個別節點,例如顯示算子屬性,以及與 SPIR-V 張量相連的 rescale 算子。Arm 團隊靠這項功能找出並解決回歸問題,不必手動分析原始日誌檔。
### 用分割視窗驗證 NPU 委派與 CPU 回退
為了優化 Vision 模型在 Arm Ethos-U85 NPU 等加速器上的表現,Arm 工程師用 Model Explorer 的分割視窗功能,並排比較 Ultralytics YOLO 模型的 CPU 與 NPU 委派圖形。分割視窗呈現出結構差異:CPU 圖形會顯示每個獨立層,NPU 圖形則把網路歸入量化與去量化節點之間的單一 EthosUBackend 區塊。對於 LiteRT 或 ExecuTorch 中只部分支援的模型,這個視窗有助於找出未委派的算子及被切開的子圖。
### 用節點追蹤覆蓋找出硬體瓶頸
為了找出 Ethos-U NPU 上的延遲瓶頸,Arm 在 Fixed Virtual Platform(FVP)模擬器上運行模型,並用 Model Explorer 的節點資料外掛,把週期準確的執行追蹤覆蓋到圖形上。彩色編碼的熱圖顯示,單一 TRANSPOSE 節點是主要的延遲瓶頸。
如何開始使用
開發者現在可以透過 PyPI 或 GitHub 取得 Google AI Edge Model Explorer 與 Arm 的開源適配器,在本地檢查並優化自己的裝置端模型。安裝 Model Explorer 後,再安裝適配器並啟動 Model Explorer,就能檢查對應的模型格式。
內建適配器包括 LiteRT、PyTorch 及 Hugging Face Transformers。Arm 提供的外掛適配器則有 TOSA、VGF 及 PTE。使用者可參考使用者指南,試用圖形導航及並排分割視窗等主要功能。
專案貢獻者
這些適配器與整合工作,由 Arm 與 Google AI Edge 團隊的貢獻者共同完成。Arm 工程師包括 Narumol Prangnawarat、Joshua Slater、Stefana Simion、Adam Hodson、Alona Enraght-Moony、Áron Virginás-Tar、Carey Williams、Gleb Vinnychenko、Hamza Arslan、Marco Domingo、Matthew Sloyan、Michael Mc Curtin、Mitch Bailey、Richard Burton、Robert Hughes、Robert Taylor 及 Tomás Agustín González Orlando。Google 工程師包括 Alan Ma、Eric Yang、Jing Jin 及 Na Li。產品經理為 Charlie Stokes(ARM)與 Derek Bekebrede。設計師包括 Ami Kubota、Ioannis Politis(ARM)、Kathleen Low 及 Philip Watson(ARM)。資深贊助者有 Bala Gattu(ARM)、Cormac Brick、Joe Alderson(ARM)、Matthias Grundmann 及 Sharbani Roy(ARM)。
●開發者:可透過視覺化工具更精準地偵錯裝置端模型匯出與硬體委派問題
●投資人:Google 持續強化其 AI Edge 開發者生態系與工具鏈
●一般用戶:此為開發者工具更新,間接有助於提升裝置端 AI 效能與穩定性
重要性評分
🟠 值得關注
喜歡這篇?每天早晨還有更多。
訂閱 5min AI,讓 AI 替你追蹤整個 AI 世界。
相關指南

Perplexity vs NotebookLM:AI 搜尋與筆記工具哪個更適合你?
Perplexity vs NotebookLM(現名 Gemini Notebook)比較:即時搜尋與來源引用、文件問答與音訊摘要、免費版額度與付費方案價格、企業版資料保護,以及 NotebookLM 上手步驟與兩者搭配的工作流程。
閱讀指南 →
AI 自己改進自己(RSI):Google、OpenAI、Anthropic 官方到底說了什麼
OpenAI、Anthropic、Google 都在談 AI 參與研發下一代 AI(RSI)。整理三家官方文件的原話與數字,分開傳言與事實:誰說了什麼、誰說還沒到。
閱讀指南 →
Notion AI vs NotebookLM:AI 筆記與會議記錄工具比較
Notion AI vs NotebookLM 深度比較:分析兩款 AI 筆記軟體的會議記錄、知識管理與價格差異,協助你找到最適合的 AI 筆記軟體推薦。
閱讀指南 →🤖 本文摘要由 AI 自動生成,內容源自原始報導。如有疑慮,請參閱關於我們。
喜歡這篇?每天早晨還有更多。
訂閱 5min AI,讓 AI 替你追蹤整個 AI 世界。