搜尋意圖： 如果你在找「模型壓縮 是什麼」或「模型壓縮 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 模型壓縮是指減少機器學習模型大小和計算複雜度的技術，以便在資源有限的設備上部署，同時保持模型性能。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有碰過模型太大，手機裝不下、伺服器也跑得吃力？
你可以把模型壓縮想成，透過剪枝、量化、蒸餾等方法，把模型變小、變快、變省。 它重要在於，很多場景不是比誰最大，而是比誰能在有限資源裡維持夠好的效果。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
模型壓縮 vs 混合精度訓練
模型壓縮：把模型本身變小或變簡。 混合精度訓練：訓練時混著用不同數值精度。 最關鍵的區別：前者偏模型變形，後者偏訓練策略。
模型壓縮 vs 模型量化
模型壓縮：是更大的總稱。 模型量化：是壓縮的一種常見方法。 最關鍵的區別：前者是家族名，後者是成員之一。
記住這句就好
把大模型瘦身，換速度和部署彈性。
實際案例
手機端情緒辨識
原本太大的語音模型經過壓縮後，才能放進行動 App 內即時運行。
雲端成本下降
同樣的分類模型如果被蒸餾得更小，單次推論成本就能明顯下降。
算法與應用
常見手法有剪枝、量化、知識蒸餾和低秩分解。 壓縮不只是縮參數，還要看速度、記憶體和準確率的整體取捨。 好的壓縮會盡量保留原模型能力。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 模型壓縮 | 台灣正式用語 |
| 模型压缩 / 模型压缩技术 | 簡體用語，簡體技術文章多寫這個 |
| Model Compression | 英文原名 |
| 模型輕量化 | 產品端常用的說法，強調結果而非手段 |
四種主要技術，可以疊著用
| 技術 | 做法 | 典型壓縮幅度 | 主要代價 |
|---|---|---|---|
| 量化（quantization） | 把 32 位元浮點數改用 8 位元整數或更低位元表示 | 記憶體降到四分之一或更少 | 精度些微下降，低位元時較明顯 |
| 剪枝（pruning） | 移除影響小的權重或整個通道 | 視結構而定，非結構化剪枝壓縮率高但不一定加速 | 需要重新微調恢復精度 |
| 知識蒸餾（knowledge distillation） | 用大模型當老師，訓練一個小模型模仿它的輸出 | 由小模型的大小決定 | 要重新訓練，成本較高 |
| 低秩分解（low-rank factorization） | 把大矩陣拆成兩個小矩陣相乘 | 視秩的選擇而定 | 分解不當會傷精度 |
這四種不是互斥的。實務上常見的組合是先蒸餾出一個小模型，再對它做量化，最後在目標硬體上驗證。
壓縮的目的不只是省空間
記憶體：能不能塞進裝置。手機、車用電腦、邊緣裝置的記憶體是硬限制，塞不下就完全不能用。
延遲：使用者等多久。這裡有個常被忽略的重點，參數變少不等於變快。非結構化剪枝把權重打成一堆零，但硬體仍照原本的矩陣尺寸算，實測速度可能完全沒變。要真的加速，通常得做結構化剪枝（整個通道、整個注意力頭移除）或用支援稀疏運算的硬體。
成本與能耗：推論次數乘上單次成本就是帳單。對線上服務來說，模型小一半往往直接對應到機器數量少一半。
評估壓縮結果一定要在目標硬體上實測，不能只看參數量。同一個壓縮方案在 GPU 上加速兩倍，在手機的神經網路加速器上可能因為不支援該運算而變慢。
情境判斷
Q1（情境題）： 如果模型壓縮後準確率只掉一點點，值得嗎？
→ 通常值得，尤其在部署空間、延遲或成本壓力很大的時候。
Q2（情境題）： 如果壓縮後模型變很小，但速度沒變快，這正常嗎？
→ 有可能。壓縮方法不一定直接改善實際推論時間，還要看硬體和實作。
常見問題
模型壓縮一定會犧牲準確率嗎？
不一定，但通常會有取捨，目標是把損失壓到可接受。
它和量化、剪枝、蒸餾的關係是什麼？
它們是壓縮裡的常見方法。
模型越大就越不需要壓縮嗎？
不是。模型越大，越可能需要壓縮來滿足部署限制。