在多模态以图搜图场景（如电商）中，原生 CLIP 等视觉大模型体积庞大、推理延迟高。在高并发或端侧算力受限的场景下，无法满足毫秒级响应的需求。：作为一个写了十几年高并发与底层架构的工程师，我不满足于只当“调包侠”。我试图从和入手，给大模型做一次真正的“物理减肥”。