Exowatt 的专用模型流水线：先限定任务，再区分边缘与云端

业务问题

据 AWS 工程博客，Exowatt 面对能源系统的重复告警和站点运行判断，既要处理专有硬件与运行逻辑，也要考虑部分现场连接不稳定、无 GPU 的约束。团队将告警分诊与联网的能源市场分析分开，而不是让同一通用模型承担所有任务。

[1] 对应原始来源

方法与流程

文中以一条数据准备、微调、评测和模型登记路径服务两个目标：小模型量化后走边缘 CPU 推理路径，较大模型走云端托管路径。数据改写要求保持原决定、标签、证据和数字不变；输出关联具体输入数据行，告警证据不足时允许明确弃答。

[1] 对应原始来源

数据和系统条件

告警任务采用生成站点场景上的核验决定及其受检查的改写样本，并保留测试样本和未参与训练的故障族。市场任务采用规则标注的历史公开市场数据，再分训练、验证和测试。两种数据的标签形成方式不同，不能统一称作独立专家对真实站点的全面标注。

[1] 对应原始来源

证据

供应商原文披露了专用任务的保留集评测及两类部署路径，同时提到在云端站点副本上以影子模式运行。文中边缘推理费用为零的说法指没有按次 API 或 GPU 计费，并非硬件、电力、运维与训练的总成本为零；本稿未独立复现其模型、基准或现场部署。

[1] 对应原始来源

适用边界

可借鉴的是先限定任务、校验标签与引用，再分别评估断网运行和云端服务。影子模式与字段引用检查都不能替代实体设备的控制安全、故障处置和人工责任验收。原文个别训练费用和实验周期也不能推导完整项目预算与交付工期；不将案例写成华麒客户成果或泛化性能保证。