产品
Google开发的边缘设备推理运行时框架
已跟踪 6 条高相关材料
最近变化
2026-08-12 · LiteRT通过CPU/GPU优化使Raspberry Pi性能提升300%
为什么值得关注
LiteRT 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Mastering Edge AI on Raspberry Pi with LiteRT and Gemma
Google Developers Blog · 8.5 分
Google通过LiteRT和Gemma模型实现Raspberry Pi边缘AI突破，实现实时本地推理与低功耗部署。
Accelerating on-device AI: A look at Arm and Google AI Edge optimization
Google Developers Blog · 8.5 分
文章介绍了Arm和Google合作优化边缘AI推理，通过SME2架构和Google AI Edge工具链提升设备端AI性能。
Blazing fast on-device GenAI with LiteRT-LM
Google Developers Blog · 7.5 分
Google AI Edge 发布 LiteRT-LM 推理引擎，专为在边缘设备上高效运行 Gemma 4 模型设计，支持 Android、iOS、Web 多平台，GPU 推理可达 76 tokens/sec，结合 Multi-Token Prediction 技术实现 2.2...
已收录 6 条与 LiteRT 相关的内容，按评分排序。
Google通过LiteRT和Gemma模型实现Raspberry Pi边缘AI突破，实现实时本地推理与低功耗部署。
入选理由：LiteRT通过CPU/GPU优化使Raspberry Pi性能提升300%
The article introduces the collaboration between Arm and Google to optimize edge AI inference through the SME2 architecture and Google AI Edge toolchain.
入选理由：Arm SME2使CPU成为高性能AI加速器，推理速度提升5倍
Google AI Edge introduces LiteRT-LM, an optimized inference engine for deploying Gemma 4 models on edge devices, supporting Android, iOS, and web platforms with GPU inference reaching 76 tokens/sec and Multi-Token Prediction delivering up to 2.2x speedup.
入选理由：LiteRT-LM 在 Android GPU (OpenCL) 上实现 52 tokens/sec 解码速度，iOS (Metal) 达 56 tokens/sec，WebGPU 在 MacBook Pro 上可达 76 tokens/sec
Gemma 4 12B adopts a unified architecture removing separate multimodal encoders, enabling local vision/audio understanding and advanced agentic reasoning, with a new LiteRT-powered macOS desktop app.
入选理由：Gemma 4 12B通过统一架构移除独立多模态编码器，实现端到端多模态处理。
文章介绍了一种无需云端的本地AI助手构建方案，使用Qdrant EDGE和LiteRT实现。
入选理由：使用Qdrant EDGE实现轻量级本地向量搜索。
Google releases Tensor SDK Beta for on-device ML on Pixel 10 devices, featuring unified workflow with LiteRT and a Model Garden of 100+ models supporting PyTorch/TFLite compilation and TPU inference deployment.
入选理由：Tensor SDK Beta现已支持Pixel 10系列设备，可调用Tensor SoC中专用TPU进行推理加速
