返回资源列表

NVIDIA Developer(Technical Blog) · Joe Halabi · Lin Chai · Maximilien Breughe · Michael Ferry · Charlotte Mallo

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

Run AI Models for Edge Application Development with Just a Few Commands是NVIDIA Developer(Technical Blog)的免费实践教程(en)。前置条件: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。

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。

打开官方课程
难度
见前置条件
类型
教程 · 实践教程
语言
en
规模
1 个课节
内容费用
免费
动手
需要动手环境

使用限制

正文无需账号即可阅读;跟着练习需要自备 DGX Spark 硬件及配套软件栈。

练习与作业
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)
  1. 选择学习环境

    按你的电脑系统准备;提示词在你自己的电脑上使用。

    本机动手

    先确认硬件与 TensorRT 版本,再装 TensorRT Edge-LLM,然后依次跑通 chat、serve 和 DSpark 加速。

    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。

  2. 准备工具和账号

    标“选用”的可以跳过。

    • 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
    • NVIDIA 软件栈、CUDA 13、TensorRT 10.16.1.11 或更高的 10.x用于练习与作业
    • 磁盘空间用于存放约 21GB 模型权重与构建出的 TensorRT 引擎用于练习与作业

    运行费用: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。

  3. 让 AI Agent 一次搭好课程

    复制开课提示词发给你常用的 AI Agent。它会下载允许保存的官方材料、建立课节目录并自检;需要账号、权限或费用时会先问你。

    开课提示词 · 只需用一次此提示词尚未实测验证
    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。
    搭好后的课程目录
    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/
准备好了,开始学习

常见问题

免费吗?

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。

需要什么基础?

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。

有中文吗?

本站记录的语言是en;是否有中文字幕或译本本站未核实,请以原站为准。

怎么开始?

从原始资源入口开始:https://developer.nvidia.com/blog/run-ai-models-for-edge-application-development-with-just-a-few-commands/。本页“学前准备”列出环境与工具,“学习指南”给出开课提示词,可以在自己的电脑上按步骤开始。开课提示词尚未完整验证。练习与作业需要自备: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)。

来源与使用须知

收录时间
本站首次收录 2026-11-01原站首次发布 2026-10-31
指南参考

版权与转载

  • 课程材料未标明许可:仅供个人学习,转载、修改或商用前请先联系原作者。
  • 本站只提供原始链接和学习指南,不转载、不镜像课程材料;引用时请注明原作者与出处。