“老王，你快来看！设备跑了一天，现在内存占用飙到1.8GB了，马上就要OOM了！”凌晨两点，我在监控大屏前接到现场工程师的电话。屏幕上的内存曲线像极了过山车——从凌晨4点开始平稳运行在200MB左右，到了下午3点突然陡增至800MB，晚上10点直接突破1.5GB，照这个趋势，再有半小时系统就要被kill掉。这是我去年在智慧零售项目中遇到的真实场景。客户要求模型在Jetson Nano上连续运行72小时，结果每次都在第36小时左右崩溃。更诡异的是，重启后一切正常，但36小时后必出问题。我花了整整3天才定位到根因——一个藏得很深的内存泄露。痛点拆解：你以为的“正常”其实是泄露很多开发者在边缘设备上部署模型时，会遇到一个典型的认知误区：把内存泄露误认为是“正常的内存增长”。比如，有人会告诉你：“PyTorch的推理过程会缓存一些中间结果，内存涨一点很正常。” —— 这话对了一半，但“涨一点”和“一直涨”是两回事。来看一个最常见的错误实现：importtorchimportcv2importtimefromtorchvisionimportmodels