核心要点:mnn后端选择：CPU、OpenCL别迷信
Android上很多项目会直接开OpenCL，以为GPU肯定快。实际我见过不少中低端机，GPU首帧初始化要几百毫秒，连续跑还发热降频，十分钟后比CPU慢。短任务、低频调用、相机间歇识别，CPU反而更稳。
选后端别凭感觉。拿目标机测三组：冷启动首帧、连续100帧、发热5分钟后。线程数也别拉满，4核机器开4线程不一定赚，UI、相机、编码都在抢资源。我常从2线程开始试，找到耗时和温度的平衡点。
mnn落地避坑：别先追速度实用整理
mnn落地避坑：别先追速度实用整理
mnn真正难的不是跑出demo，而是把模型稳稳塞进手机、盒子或工控板里。我做端侧推理这些年，见过太多人一上来盯着FPS，结果上线后发热、内存峰值、算子不支持轮流爆雷。想少踩坑，得先把模型转换、量化、后端选择和回归测试捋顺。 可爱女人对比最有说服力的，不是列一堆形容词，而是看一个人前后到底差在哪。我见过一个很典型的案例：女生五官清秀、性格也好，却总被评价“有点端着”。她没大改脸，也没换赛道，只调整了穿搭、表达和社交节奏，三周后反馈明显变了。
使用细节:第五步：三周后复盘结果
三周后，小林没有变成另一个人。她还是短发，还是不爱撒娇，还是工作效率很高。但别人给她的评价从“有距离感”变成“挺好相处”“最近状态柔和很多”。这就是好的改造：别人感到变化，你自己不觉得别扭。
这个案例的可爱女人对比，前后差异其实很小：颜色浅了两度，句子多了一个细节，拒绝少了点硬刺。但这些小调整叠在一起，就会改变别人靠近你的感受。可爱不是重做系统，更像调亮屏幕。
常见场景:Q1：我不是粉丝，漫威还值得补吗？
值得补，但别从“全宇宙计划”开始。你不是粉丝时，最重要的是先试口味。看一部《钢铁侠》，你能接受它的幽默、科技感和角色嘴炮，再继续；如果你觉得吵、碎、太商业，那也不用勉强。
漫威的优势是入门门槛低，很多角色都有清晰的欲望和缺点。托尼怕失控，队长怕背离信念，星爵怕孤独。你抓住角色，就不需要一开始懂所有设定。
避坑提醒:Q2：和《壹号皇庭》这类港剧怎么选？
如果你想看律师职业群像、案件推进和法庭交锋，《壹号皇庭》更顺口，像一套成熟套餐。《第三类法庭》则更像一道带苦味的菜，吃完会想一会儿。
选择很简单：想看专业爽感，先选职业律政；想看法律之外的人情和舆论，选《第三类法庭》。两者不是替代关系，更像港剧律政题材的两种侧面。
选择建议:第3步：把三观争议提前放到台面
这部剧最大的争议，不只是虐，而是关系边界。人物之间有恩情、照顾、依赖，也有压抑和不对等。喜欢的人会说宿命感强，不喜欢的人会觉得窒息。
避坑的方法不是假装没争议，而是提前确定观看姿势：你是在看一段复杂关系的戏剧呈现，不是在找现实恋爱范本。这样看，很多不舒服的地方反而能变成讨论点。
延伸参考:短视频版 vs 现场版：一个抢开头，一个稳结尾
短视频里推荐把《难忘今宵》放在最后几秒，因为平台观看节奏快，前面必须先给内容钩子。比如先放离别拥抱、最后一次关门、空教室，再让旋律出来，观众才愿意停留。
现场版相反，不需要抢前三秒，但要稳。音乐进入点最好提前和主持词对齐，别出现主持人还在讲话，副歌突然冲出来的情况。新手只要记住一句：短视频靠反差，现场靠顺滑。
常见问题
- mnn适合哪些端侧AI场景？
- 适合手机、IoT设备、车载盒子、工控板上的分类、检测、分割、OCR前处理识别等场景。高频实时任务要重点测温度和P95耗时，低频任务更要关注首帧延迟。
- mnn模型转换后结果不一致怎么办？
- 先别怀疑框架。按顺序查输入尺寸、RGB/BGR、归一化参数、layout、Resize方式，再拿同一张图对比ONNX输出和转换后输出。差异从第一层开始看，别只盯最终结果。
- mnn量化后精度下降多少算正常？
- 分类任务Top1掉0.5到1个百分点通常还能接受；检测任务要看业务，漏检关键目标就不行。建议用真实业务样本单独建一套回归集，别只看公开数据集指标。
- mnn用CPU还是GPU更好？
- 没有固定答案。相机实时预览可测OpenCL，短任务或低端机优先测CPU。判断标准用三项：首帧耗时、连续100帧平均耗时、5分钟后是否降频。