最信迷上了引擎優化以及模型改造
有人在研究模型轉換嘛？例如本來不支援雙卡，讓他支援雙卡併發，或是支援之前沒支援的MTP或DF2
例如一開始 strata還沒支援nvfp4模型....妳自己弄

或者strata 支援了 nvfp4 模型，但是不支持雙卡或多卡TP...自己改引擎自己弄

甚至為了驗證自己轉出的模型與引擎優於原版，做一連串的品質分析
例如用以下分析

A. 權重層級：量化誤差分析
測量每個 tensor 的最大絕對誤差、RMSE、相對誤差、cosine similarity，並依層排序。特別檢查 attention、GDN、MLP、embedding、output head 與 MTP。
能定位哪一層失真最多，但權重誤差較小不一定代表實際能力較好。

B. 輸出分布：KL divergence 與 Top-K 一致性
讓 BF16 與量化模型讀取完全相同的 token 前綴，比較下一個 token 的機率分布、Top-1 命中率、Top-K 重合率及 KL divergence。
這比只看權重差異更接近模型行為。需要兩邊都能取得 logits 或足夠的 token log-probabilities；若 NInfer API 不提供，必須改用可輸出 logits 的評估路徑。

C. 實際能力：標準 benchmark 加自訂測試
用 LM Evaluation Harness 或 LightEval 評估知識、數學、程式碼、指令遵循；再加上你實際使用的中文推理、長上下文及 Hermes Agent 工具呼叫任務。
這一層最能回答「哪個模型比較好用」。

D. 部署效能：速度、記憶體與穩定性
分開測 prefill 與 decode tokens/s、峰值 VRAM、長上下文表現，以及啟用 MTP 後的實際吞吐量。不同引擎必須分別測量，避免把 kernel 或 runtime 差異誤認成量化格式的優劣。

目前我只是新手，不知道有沒有先進分享心得?