菜单
模型移植全流程。按顺序执行10个子步骤，从ONNX导出到SoC部署。使用前先填写 skills/model-porting-template.md 模板，然后说「按照 model-porting skill 移植[模型名]」即可。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
| name | model-porting |
| description | 模型移植全流程。按顺序执行10个子步骤，从ONNX导出到SoC部署。使用前先填写 skills/model-porting-template.md 模板，然后说「按照 model-porting skill 移植[模型名]」即可。 |
使用流程：填模板 → 一句话启动 → AI 自动按序执行 10 步。
skills/model-porting-template.md 模板已按要求填写完整按照 model-porting skill，移植 [模型名] 到 SOPHON TPU。
移植模板在 skills/model-porting-template.md，请先读取模板内容。
或者如果模板就是你当前在编辑的文件：
我已经填好了 skills/model-porting-template.md，按照 model-porting skill 开始移植。
启动后，AI 自动按以下顺序调用子 Skill：
| 步骤 | 子 Skill | 做什么 |
|---|---|---|
| 01 | model-porting-01-analyze | 读取模板 + 原始模型 README → 输出 model_info.json |
| 02 | model-porting-02-env | 搭建 TPU-MLIR Docker 环境 |
| 03 | model-porting-03-export | PyTorch → ONNX，处理算子兼容 |
| 04 | model-porting-04-compile | ONNX → BModel，多芯片多精度 |
| 05 | model-porting-05-python | 生成 Python 推理代码 |
| 06 | model-porting-06-accuracy | 精度测试，输出对比表 |
| 07 | model-porting-07-perf | 性能测试，延迟+吞吐 |
| 08 | model-porting-08-cpp | Python → C++ 移植 |
| 09 | model-porting-09-soc | SoC 交叉编译 + 部署 |
| 10 | model-porting-10-docs | 生成 README + 文档 |
每个步骤 AI 会：
feat(<sample>): ...），后续新增 feature 或修复各自再开新 commit（feat/fix(<sample>): ...）。移植 10 步的中间产物默认不逐步提交，待 sample 整体可交付、或出现独立可用的阶段性成果（如某个子模型编译通过、某段推理代码可用）时再做提交；提交前先让用户确认。