# Run AI Models for Edge Application Development with Just a Few Commands

- 发布方：NVIDIA Developer（Technical Blog）；作者：Joe Halabi、Lin Chai、Maximilien Breughe、Michael Ferry、Charlotte Mallo
- 形式：实践教程 · en
- 原始资源：[https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/](<https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/>)
- 本站页面：[https://oplearnx.com/resources/res\_ffp3q78grb3z](<https://oplearnx.com/resources/res_ffp3q78grb3z>)
- 学习主题：人工智能 / 大语言模型 LLM / 推理与部署；人工智能 / 大语言模型 LLM；人工智能 / AI 系统与效率 / 推理服务与加速
- 内容状态：状态待核验
- 原始发布时间：2026-10-31 04:33
- 本站首次收录：2026-11-01 00:05

## 能学到什么

在 NVIDIA DGX Spark 上用 trtedge CLI 跑起 Nemotron-3.5 Lightning，终端对话、起本地 OpenAI 兼容 API 服务，并开启 DSpark 推测解码做加速。

- 在 DGX Spark 上创建虚拟环境并安装 tensorrt-edgellm\[server\] 0.11.1
- 验证 TensorRT 版本满足 ≥10.16.1.11 且 \<11，并确认 TensorRT Edge-LLM 运行时能加载
- 用 trtedge chat 下载 Nemotron-3.5 Lightning 模型并完成一次终端对话
- 用 trtedge serve 起本地 OpenAI 兼容服务，通过 /health/ready 与 /v1/chat/completions 发起流式请求
- 为服务开启 DSpark 推测解码并调节 num\_speculative\_tokens 观察生成速度变化
- 读懂文中 TTFT 与生成速度对照表，理解推测解码对时延和显存占用的影响

## 适合我吗

- 适合：适合想在边缘设备上把 LLM 跑起来、做原型验证的开发者，教程命令完整、步骤可复现。
- 需要留意：不适合没有 DGX Spark 硬件的读者，也不适合想学习模型训练或算法原理的人。

## 前置条件与费用

- 知识前置：需要会用 Linux 终端、Python 虚拟环境和 pip，了解 LLM 推理、TensorRT 的基本概念更佳。
- 软件、账号与硬件：一台 NVIDIA DGX Spark（含受支持的 NVIDIA 软件栈），CUDA 13，TensorRT 10.16.1.11 或更高的 10.x 版本，Python 3.10–3.12；约 21GB 模型权重及引擎的磁盘空间。
- 内容费用：免费：网页正文直接给出全部教程步骤与命令，未见付费墙或登录拦截。
- 实践费用：实践需要付费：练习必须在 NVIDIA DGX Spark 64GB 设备上完成，教程写明需要该硬件及 CUDA 13、TensorRT 环境。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- DGX Spark 终端：执行全部安装、chat、serve 命令
- Python 3.10–3.12 \+ venv：创建 tensorrt-edgellm 运行环境
- TensorRT 10.16.1.11\+（10.x）：构建优化引擎
- curl：检查服务健康状态与调用 chat completions 接口

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词（Windows）

```text
请帮我把「Run AI Models for Edge Application Development with Just a Few Commands」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：在 DGX Spark 上完整跑一次 chat 与 serve，随后开启 DSpark 对比生成速度；若要换模型，可从文中 supported models list 选其他模型（含视觉语言、语音模型）。
课节（官方顺序）：
1. Run AI Models for Edge Application Development with Just a Few Commands：https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/

1. 环境
- DGX Spark 64GB，DGX OS 7.6.0（Ubuntu 24.04.4 LTS）
- CUDA 13 + TensorRT 10.16.1.11 或更高 10.x
- Python 3.10–3.12 虚拟环境（--system-site-packages）
- tensorrt-edgellm[server]==0.11.1
- 磁盘预留约 21GB 模型与引擎空间
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/
3. 目录（最外层放在我确认的位置）
tensorrt-edge-llm-dgx-spark-quickstart/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-run-ai-models-for-edge/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - python -c "import tensorrt as trt; print(trt.__version__)"  → 输出版本 ≥10.16.1.11 且 <11
  - curl -fsS http://127.0.0.1:8000/health/ready  → 返回内容包含 "status":"ready"
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（macOS）

```text
请帮我把「Run AI Models for Edge Application Development with Just a Few Commands」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：在 DGX Spark 上完整跑一次 chat 与 serve，随后开启 DSpark 对比生成速度；若要换模型，可从文中 supported models list 选其他模型（含视觉语言、语音模型）。
课节（官方顺序）：
1. Run AI Models for Edge Application Development with Just a Few Commands：https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/

1. 环境
- DGX Spark 64GB，DGX OS 7.6.0（Ubuntu 24.04.4 LTS）
- CUDA 13 + TensorRT 10.16.1.11 或更高 10.x
- Python 3.10–3.12 虚拟环境（--system-site-packages）
- tensorrt-edgellm[server]==0.11.1
- 磁盘预留约 21GB 模型与引擎空间
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/
3. 目录（最外层放在我确认的位置）
tensorrt-edge-llm-dgx-spark-quickstart/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-run-ai-models-for-edge/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import tensorrt as trt; print(trt.__version__)"  → 输出版本 ≥10.16.1.11 且 <11
  - curl -fsS http://127.0.0.1:8000/health/ready  → 返回内容包含 "status":"ready"
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（Linux）

```text
请帮我把「Run AI Models for Edge Application Development with Just a Few Commands」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：在 DGX Spark 上完整跑一次 chat 与 serve，随后开启 DSpark 对比生成速度；若要换模型，可从文中 supported models list 选其他模型（含视觉语言、语音模型）。
课节（官方顺序）：
1. Run AI Models for Edge Application Development with Just a Few Commands：https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/

1. 环境
- DGX Spark 64GB，DGX OS 7.6.0（Ubuntu 24.04.4 LTS）
- CUDA 13 + TensorRT 10.16.1.11 或更高 10.x
- Python 3.10–3.12 虚拟环境（--system-site-packages）
- tensorrt-edgellm[server]==0.11.1
- 磁盘预留约 21GB 模型与引擎空间
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/
3. 目录（最外层放在我确认的位置）
tensorrt-edge-llm-dgx-spark-quickstart/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-run-ai-models-for-edge/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import tensorrt as trt; print(trt.__version__)"  → 输出版本 ≥10.16.1.11 且 <11
  - curl -fsS http://127.0.0.1:8000/health/ready  → 返回内容包含 "status":"ready"
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「Run AI Models for Edge Application Development with Just a Few Commands」。课程目录是 tensorrt-edge-llm-dgx-spark-quickstart/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [Run AI Models for Edge Application Development with Just a Few Commands](<https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/>)

## 指南参考

- [课程主页](<https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：NVIDIA 软件栈、CUDA 13、TensorRT 10.16.1.11 或更高的 10.x；NVIDIA DGX Spark 64GB 设备（文中标注“now available”，普通读者需自行购置或使用既有设备）；磁盘空间用于存放约 21GB 模型权重与构建出的 TensorRT 引擎
- 转载与修改 · 课程页面与材料：未找到明确许可。节选中未写明许可证；TensorRT Edge-LLM 仓库与模型页面的许可条款需另行查看 [依据](<https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）