来源：Amazon Science 博客 ｜ 作者：Luca Zancato ｜ 时间：2026-10-12 ｜ 原文：Can we change an AI model's architecture without retraining it from scratch?
Amazon 的研究者提出一种叫"Priming"的方法，核心很反直觉：能不能在不从零重训的前提下，把训练好的 Transformer 权重"改装"成更高效的新架构？文章里给的数据挺惊人——改装成本不到原训练的 1%，推理吞吐却能高到 2 倍。
为什么值得读：一是它戳中了一个真痛点，大模型训一次烧的钱和电都太吓人，能"换骨架不换脑子"等于给存量模型续命；二是它展示了一种工程思路——复用预训练权重做架构实验，让"试错"这件事便宜下来。文章原话很有分量："reuses pretrained weights to build models with more efficient architectures at less than 1% of the original training cost."
适配人群：做模型部署、推理优化的工程师，以及关心"怎么用更少的卡跑更好的模型"的技术负责人。纯产品侧读者可以跳读，但它的成本逻辑对所有 AI 创业者都有参考价值。
编辑补充：文中思路和我们收录的 DeepSeek、通义千问等开源模型很搭——如果你在本地部署这类模型，关注"高效推理架构"能直接省下硬件成本。想动手试蒸馏或量化，可以配合本站的工具库找对应方案。