Мобильный AI-ассистент на Llama: on-device и серверная интеграция

Offline- и Online-Llama: ключевые сценарии

Интеграция Llama в мобильное приложение упирается в два вопроса: запускать модель локально или через сервер? Выбор диктует всю архитектуру — от размера бинарника до стоимости поддержки. Мы прошли этот путь с десятками проектов: от медицинских чатов до финансовых консультантов. Ниже — технические детали, которые сэкономят вам месяцы экспериментов.

Как выбрать между on-device и серверной Llama?

On-device — модель живёт в памяти телефона, inference без интернета. Реально для Llama 3.2 1B и 3B в INT4 квантизации. Llama 3.2 3B INT4 занимает ~2 ГБ RAM и на iPhone 15 Pro выдаёт 15–25 токенов/сек. Это вариант для приложений с жёсткими требованиями к приватности (медицинские данные не покидают устройство) или для работы в офлайне.

Серверная Llama — модель на вашем GPU-сервере (или арендованном), мобильный клиент общается через API. Позволяет использовать Llama 3.3 70B или Llama 3.1 405B — полноценные модели, неотличимые по качеству от GPT-4. Большинство коммерческих проектов выбирают именно серверный подход: проще обновлять модель, не ограничен размером оперативной памяти.

Почему on-device всё ещё актуален?

Для сценариев с критической приватностью (банковские транзакции, медицинские рекомендации) или при работе в условиях нестабильного интернета локальная модель — единственный выход. К тому же отпадает необходимость в серверной инфраструктуре и оплате API-запросов. Экономия на серверных расходах при локальном запуске может достигать сотен тысяч рублей в месяц. Однако качество ответов ниже из-за ограниченных размеров модели.

// iOS — минимальная обёртка над llama.cpp
class LlamaContext {
    private var context: OpaquePointer?

    init(modelPath: String) {
        var params = llama_context_default_params()
        params.n_ctx = 4096
        params.n_threads = 4  // меньше потоков — меньше нагрев
        let model = llama_load_model_from_file(modelPath, llama_model_default_params())
        context = llama_new_context_with_model(model, params)
    }

    func generate(prompt: String, maxTokens: Int = 256) -> AsyncStream<String> {
        // tokenize → sample loop → detokenize
    }
}

Серверная Llama: Ollama и vLLM

Для серверного деплоя — Ollama (простота) или vLLM (производительность). Ollama поднимает OpenAI-совместимый API: POST /api/chat, формат запроса идентичен OpenAI Chat Completions. Мобильный клиент, написанный для OpenAI, работает с Ollama без изменений — нужно только поменять base URL.

vLLM предпочтительнее для продакшена с нагрузкой: continuous batching, tensor parallelism на нескольких GPU, throughput в разы выше Ollama.

Fine-tuning: когда и как

Fine-tuning необходим, когда базовая Llama не справляется со специализированными задачами: медицинские термины, юридический стиль, специфика отрасли. LoRA/QLoRA — стандартный подход для fine-tuning на одном GPU. Обученные адаптеры (~50–100 МБ) загружаются поверх базовой модели. Внедрение on-device снижает операционные затраты на облачные вычисления.

Что входит в работу

1. Анализ требований и выбор архитектуры: on-device или серверная, подбор модели и квантизации.
2. Интеграция runtime: сборка llama.cpp/ExecuTorch под iOS/Android, обёртка API.
3. Настройка серверной части: деплой Ollama/vLLM, балансировка, мониторинг.
4. Тестирование: метрики задержки, потребления памяти, качества ответов.
5. Документация и обучение: как обновлять модель, менять параметры.
6. Поддержка после запуска: гарантия на интеграцию, консультации по доработкам.

Процесс реализации: пошагово

1. Аудит требований: сценарии использования, целевые устройства, бюджет.
2. Выбор модели и runtime.
3. Интеграция и сборка.
4. Деплой серверной части (если требуется).
5. Тестирование метрик.
6. Документация и передача.
7. Гарантийная поддержка.

Ориентиры по срокам

Серверная Llama с Ollama и мобильным клиентом — 1–2 недели. On-device через llama.cpp со сборкой под iOS/Android — 3–5 недель. Fine-tuning + деплой — отдельная оценка. Получите консультацию по вашему проекту. Оставьте заявку — мы проанализируем задачу и предложим оптимальное решение.

AI и ML в мобильных приложениях: CoreML, TFLite и on-device модели

Мы различаем два принципиально разных подхода: приложение с on-device AI и приложение, которое просто вызывает облачное API. Первое работает без интернета, не отправляет данные пользователя на сторонние серверы и отвечает за 50 миллисекунд. Второе зависит от задержки сети и тарифного плана. Выбор архитектуры — ключевой этап, который напрямую влияет на стоимость, приватность и пользовательский опыт. Наш опыт показывает: в 70% проектов on-device инференс оказывается дешевле в долгосрочной перспективе за счёт исключения серверных затрат.

Как выбрать между CoreML и TFLite для on-device инференса?

CoreML — нативный фреймворк Apple для запуска ML-моделей на устройстве. Поддерживает Neural Engine (начиная с A11 Bionic), GPU и CPU как fallback. Модели конвертируются в формат .mlmodel через coremltools из PyTorch, ONNX или TensorFlow. Конвертация — не всегда тривиальна: кастомные слои требуют реализации MLCustomLayer, а квантизация до INT8 иногда заметно роняет точность на специфических данных. Мы гарантируем, что итоговая модель проходит валидацию на реальных данных до и после конвертации.

TensorFlow Lite — кросс-платформенная альтернатива для Android и Flutter. На Android использует NNAPI (Neural Networks API) для хардварного ускорения — с Android 10 NNAPI стабильнее, до этого лучше явно использовать GPU delegate через GpuDelegate. Типичная ошибка: модель обучена на нормализованных данных в диапазоне [0,1], а в приложении на вход подаётся [0,255] — инференс работает, но с бессмысленными результатами без ошибки. Мы включаем модуль автоматической валидации входных данных в SDK.

Для задач классификации изображений, детекции объектов и сегментации доступны готовые оптимизированные модели. YOLOv8 в CoreML формате запускает детекцию кадра 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite с GPU delegate — около 8 мс на Pixel 7 при классификации.

Что делать, если нужна генерация текста на устройстве?

Запуск небольших языковых моделей на устройстве стал реальностью в последние несколько лет. Apple Intelligence использует собственные модели через Private Cloud Compute, но для сторонних разработчиков доступны другие пути.

llama.cpp с Metal backend на iOS — работающий подход для phi-3-mini (3.8B параметров, 4-bit квантизация, ~2.3 ГБ). Инференс: 15–25 токенов/секунду на iPhone 15 Pro. Для интеграции в Swift используем Swift Package llama.swift или обёртку через C-интерфейс llama.h. Бинарник к приложению не прикладываем — модель скачивается при первом запуске и хранится в Application Support. Наши сертифицированные разработчики настраивают инкрементальную загрузку, чтобы не блокировать первый запуск.

На Android аналог — Google AI Edge (бывший MediaPipe LLM Inference API) с поддержкой Gemma-2B. Работает через GPU delegate, на Tensor G3 чипе Pixel 8 Pro — около 20 токенов/секунду.

Ограничения реальны: модели больше 4B параметров на мобильных устройствах по-прежнему медленны. Для сложных задач рассуждения on-device LLM уступает GPT-4o в качестве. Гибридный подход — on-device для коротких задач и приватных данных, облако для сложных запросов — часто оптимален. Оценим ваш кейс и предложим баланс производительности и приватности — пишите.

Интеграция OpenAI API и других облачных моделей

Для сценариев, где cloud inference допустим, интеграция OpenAI, Anthropic или Google Gemini — это HTTP клиент + streaming SSE. В Swift удобно через AsyncThrowingStream для стриминговых ответов. В Kotlin — через Flow.

Критически важно: API-ключи никогда не хранятся в бандле приложения. Даже обфусцированный ключ извлекается из IPA за 10 минут через strings или frida. Правильная архитектура: мобильное приложение → собственный backend → OpenAI API. Backend контролирует rate limiting, логирует запросы, защищает ключ.

Что входит в работу (deliverables)

• Обученная и квантизированная модель под целевое устройство (документация по метрикам)
• SDK для интеграции (Swift/Kotlin/Flutter) с примерами вызова
• Тесты производительности на 3–5 реальных устройствах
• Инструкция по обновлению модели OTA
• Поддержка при прохождении модерации App Store / Google Play (проверка соответствия Guidelines 4.2, 5.1)
• 2 недели технической поддержки после релиза

Типичный пайплайн проекта

1. Анализ задачи — замеряем latency, privacy, size, поддерживаемые устройства.
2. Прототипирование модели — в Python, оценка accuracy на целевых данных.
3. Конвертация и квантизация — под CoreML/TFLite с валидацией.
4. Интеграция в приложение — модель оборачивается в сервисный слой (легко подменять CoreML → TFLite → облако).
5. Тестирование — на реальных девайсах, замер FPS, RAM, батареи.
6. Деплой — через TestFlight / Firebase App Distribution, мониторинг метрик.

Сроки: интеграция готовой CoreML/TFLite модели — 1–2 недели, разработка кастомной модели с мобильной оптимизацией — от 6 недель, on-device LLM чат с персонализацией — 4–8 недель.

Почему мы беремся за сложные кейсы?

10+ лет опыта в мобильной разработке, 50+ внедрённых AI/ML решений, гарантия совместимости с актуальными версиями iOS и Android. Все проекты проходят code review и нагрузочное тестирование. В стоимость уже входит подготовка документации для модерации и обучение вашей команды.

Свяжитесь с нами — мы поможем выбрать архитектуру и внедрить ML в ваше приложение под ключ. Закажите аудит существующего решения — бесплатно оценим потенциал экономии серверных затрат (в некоторых проектах экономия достигает $10k в месяц).