近日，晶晨半导体（Amlogic）正式上线 Amlogic AI 开发者门户（amlogic-nn.github.io），并在 GitHub 上开放了 Amlogic-NN 开源组织。门户首页写着一句很直接的话——“Build on the edge. Start here.”，意思是在晶晨芯片上做端侧 AI 开发，从这里开始就够了。开发要用到的模型、工具、文档和性能数据，现在都集中在一个地方，不用再到处翻找。
图 1 Amlogic AI 开发者门户首页：技术栈、核心数据与六大入口
一、六个入口，把开发流程串起来
门户首页放了六个入口，基本对应开发者从拿到芯片到做出产品的完整过程：
SDK / Toolkit：从模型转换到原生推理，提供 Python 和 C/C++ 两种接口；
Model Demos：77 个模型示例，能直接看到量化格式和平台支持情况；
Performance：CNN、LLM、VLM 的吞吐量、延迟、内存和精度实测数据；
ADLA Hub：预处理好的模型仓库，在 Hugging Face 和 ModelScope 上都有镜像；
Doc Center：24 份文档，包括快速上手、API 参考、算子列表和部署指南；
Agent Examples：Agent 集成文档和参考场景。
首页上还摆着四个数字：77 个已适配的模型条目、24 份文档资源、Python + C/C++ 两条 SDK 集成路径，以及一套兼容 OpenAI API 的 Agent Server 接口。
二、77 个模型 Demo，常用模型基本都在
Model Demos 页目前有 77 个模型条目（页面筛选栏共显示 78 个资源，其中 77 个是模型，另有 1 份平台构建指南）。分类覆盖图像分类、音频、目标检测、姿态手势、语义分割、车牌识别、OCR、图文模型、LLM 和 VLM。常用的基本都能找到：检测有 YOLOv5 到 v11、YOLOX、YOLO-World、PP-YOLOE、YOLOE；人脸有 RetinaFace；分割有 DeepLabV3、PP-LiteSeg、MobileSAM；姿态有 BlazePose；OCR 有 PaddleOCR v4/v5；语音和多模态有 Whisper、CLIP 等。每个 Demo 都写了转换、部署和推理的步骤，并标注了量化格式和支持的平台，照着做就能跑。
图 2 Model Demos：77 个模型条目，可按任务类型和平台筛选
三、工具链：Python 和 C/C++ 两条路都留好
SDK 部分提供了六件工具，做原型和做量产都能用：
Amlogic NN Toolkit：模型转换、量化、编译、推理的全链路工具；
NN Edge Toolkit Lite：在开发板上用 Python 跑 CNN 的轻量工具，适合快速验证；
LLM Edge Toolkit Lite：支持流式输出、多轮对话、采样参数和 chat template；
Amlogic Agent Server：兼容 OpenAI API 的端侧 LLM/VLM 服务，支持流式、工具调用、ASR、KV-cache 复用，还提供端云路由的实验特性；
NN Runtime C/C++：libnnsdk.so + nnsdk2.h，支持 Android 和 Linux；
LLM Runtime C/C++：libllmsdk.so + llmsdk.h，通过回调实现流式输出。
原型阶段用 Python 几天就能把想法跑通，量产阶段可以切到 C/C++ 接口把性能和内存做扎实。
图 3 SDK / Toolkit：六件工具覆盖 Python 与 C/C++ 两条开发路径
四、模型直接下载，Hugging Face 和 ModelScope 都有
ADLA Hub 提供预处理好的模型包，在 Hugging Face（Amlogic-NN/amlnn-adla-models）和 ModelScope（Amlogic/amlnn-adla-models）上各有一个仓库，Agent Server 也支持启动时直接下载。量化精度按平台做了区分：新平台 A311Y3、C305X2、A123X 支持 W8A16 和 W16A16，A311D2 和 S905X5 支持 W8A8。
图 4 ADLA Hub：模型在 Hugging Face 和 ModelScope 双仓库提供
五、性能数据全部公开，测试条件写清楚
Performance 页不是几张营销图，而是完整的实测数据库，包含五个子页：CNN 吞吐量、LLM/VLM 运行时、CNN 精度、LLM 困惑度和 MMLU 精度，还能按平台筛选、导出 CSV。数据快照时间是 2026 年 10 月 12 日。
以 A311Y3 SoC（晶晨新一代平台，Armbian 参考板，W4A16）为例：
CNN 方面，mobilenet_v2 跑到 1014.2 FPS，resnet50 为 266.9 FPS，yolov8n 为 191.1 FPS，yolov8s 为 83.1 FPS，BlazePose 关键点模型 328.4 FPS，Whisper tiny decoder 51.6 FPS，CLIP ViT-Base 73.0 FPS；
大模型方面（按 Seq64、Context320、Output256 配置），Gemma3-270M 为 86.4 tokens/s，MiniCPM4-0.5B 为 72.9 tokens/s，Qwen2-0.5B 为 63.6 tokens/s，DeepSeek-R1-1.5B 为 22.7 tokens/s，Qwen-VL2-2B 为 22.9 tokens/s，Qwen3-4B 为 9.0 tokens/s，Llama2-7B 为 5.4 tokens/s，MiniCPM-V 2.6-8B 为 2.1 tokens/s；
精度方面，ResNet50 在 W8A16 下 Top1 为 75.9%（W8A8 为 72.4%）；MMLU（5-shot，500 样本）中 Qwen3-4B-Thinking 为 0.814（相对参考有 4% 增益）、Qwen3-4B-Instruct 为 0.730。
从几百兆的小模型到 70 亿、80 亿参数的模型，在这块板子上能跑到什么水平，门户里都有同口径的数字可查，客户做选型不用再靠估算。
图 5 CNN 吞吐量实测：S905X5 / A311D2 / A311Y3 三平台对比（数据快照 Oct 12, 2026）
图 6 LLM/VLM 运行时实测：A311Y3 参考板各模型 tokens/s（W4A16）
六、Agent 方向：先把接口开放，场景逐步落地
Agent 部分，目前已经发布的是 Agent Client Integration 文档，说明 Agent Server 如何接入 PicoClaw、DeepSeek Harness 和 LangChain，底层走 OpenAI 兼容接口和工具执行循环。此外门户还列出了五个参考场景：AI NAS（媒体搜索、人脸搜索、内容摘要）、AI 购物（商品识别、搜索、推荐）、会议纪要（语音识别、说话人分离、摘要）、家庭语音助手（ASR、对话、TTS）和 OCR 翻译。需要说明的是，这五个场景目前都标注为“Planned Example / Coming Soon”，属于规划中、即将开放的示例，并非已交付功能。
图 7 Agent Examples：集成文档已发布，五个参考场景为规划中
七、开源：11 个仓库，对接主流生态
Amlogic-NN 在 GitHub 上开放了 11 个仓库，主要工具以 Apache-2.0 协议开源。除了模型工具包、模型示例场和 Agent Server，还包括：amlnn-google-ai-ecosystem，对接 Google AI Edge 的 NNAPI、LiteRT 和 MediaPipe；amlnn-third-party-runtime，适配 NNStreamer、ExecuTorch、ONNX Runtime 和 MNN；aml-onnxruntime 是对微软 ONNX Runtime 的适配分支；amlnn-multibackend 则让没有 NPU 的 SoC 也能走 CPU/GPU 后端跑通。这意味着客户已有的模型和工程栈，大多数不用推倒重来。
结语：从一个模型开始，把产品跑起来
过去，端侧 AI 开发常常要在不同文档、网盘和技术支持之间来回找资料。现在晶晨把模型、工具链、性能数据和文档放到了同一个门户，并且把核心工具放到了开源社区。开发者可以从一个模型开始，在晶晨平台上把自己的端侧 AI 产品跑起来。
每日经济新闻客户端