想搞懂 Qualcomm AI Hub 的部署流程：基于QCS6490(瑞莎Q6A)个人实践

[azouyana]

板卡：瑞莎 Dragon Q6A（Qualcomm QCS6490）
硬件：Adreno 643 · Hexagon + HTA · 联合最高 12 TOPS
定位：一个开发者的学习记录，不是官方教程
一句话：抛开板卡厂的封装，端侧 AI 的每一步都要自己重新走一遍。

---

1. 我为什么换到 QCS6490

图 1：Dragon Q6A 正面、侧面与背面

维度	QCS8550（Rhino Pi-X1）	QCS6490（Dragon Q6A）
平台定位	高通 IoT 高端档（KalamaP HDK），适合 8B 级 LLM/VLM	主流工业 IoT / 边缘 AI，Hexagon + HTA 联合最高 12 TOPS
系统	Ubuntu 22.04（AidLux）	Radxa OS(Ubuntu) / Qualcomm Linux(Yocto) / Android 15、16
推理栈	AidLite + AidGenSE + QNN 2.36 / 2.40 / 2.48	QNN/QAIRT、Qualcomm AI Hub、Qualcomm Software Center

看完这张表，换平台的原因只有一个：想学 Qualcomm AI Hub 的原生部署路径，以及它那套工具怎么用。

需要先把话说明白：这些记录不是官方教程，而是一个学习者的笔记。我按自己的节奏去摸 AI Hub 的整套工具链，写下来的是真实过程和真实数据，也包括判断错、绕远路的地方。

上一轮在 QCS8550 上用的 aid-pkg / mms / AidLite 是板卡厂封装好的一条龙——跑得通，但"模型怎么转换、怎么量化、怎么 profile、怎么落到 HTP"这些步骤都被包进了别人的工具里。这次我想抛开封装，按高通的原始流程走一遍：AI Hub 选模型、编译、profile，QNN/QAIRT 落到板端。这正好也是我现阶段工作计划里的两项学习任务。

12 TOPS、接口数量这些，是选板子的结果，不是选板子的原因。

顺便把 Q6A 的这颗芯片摊开看。瑞莎 Dragon Q6A 的核心是高通 QCS6490——一颗面向工业物联网与边缘 AI 的 SoC。从架构上就能看出取向：

• CPU 三丛集：1× Kryo Gold Plus @2.7GHz + 3× Kryo Gold @2.4GHz + 4× Kryo Silver @1.9GHz。轻重负载分离，功耗曲线比"全核同频"友好得多。
• GPU Adreno 643：OpenGL ES 3.2 / Vulkan 1.3 / OpenCL 2.0 / DirectX 12。图形之外还能做通用计算，图像前处理不必全压 CPU。
• AI 加速：Hexagon DSP + Hexagon Tensor Accelerator（HTA），联合算力最高 12 TOPS。
• VPU：4K@60 解码（H.264/H.265/VP9）、4K@30 编码，支持 HDR10/HDR10+。

12 TOPS 是"联合算力"的规格描述，不等于单任务实测吞吐——真实能跑出多少，取决于模型、量化方式和推理后端。

2. 这次我要走的另一条路：Qualcomm AI Hub

换平台不只是换芯片，也是换验证方式。Qualcomm AI Hub 把"模型能不能在这颗芯片上跑、跑多快"做成了在线流程：

• 模型库：175+ 个已针对 Qualcomm 设备优化过的模型，也支持上传自己的 PyTorch / ONNX 模型；
• 工作台（Workbench）：转换到端侧 runtime（LiteRT / ONNX / Qualcomm AI Stack），做量化与微调，并在云端托管的 50+ 种 Qualcomm 设备上直接做性能分析和推理；
• GenieX：开源工具包，提供统一的 NPU / GPU / CPU runtime，几行代码部署生成式模型；
• Apps：示例应用仓库，从模型到成品的代码模板。

对做方案的人来说，这意味着一条更短的验证链路：先在云端把模型 profile 通，再决定板端要不要加量化、砍分辨率。至于 6490 这一档在 AI Hub 上究竟有哪些可用模型、哪些设备档案，需要实际查一遍才知道，我不提前打包票。

3. 规格速读：只盯这几个点

图 2：Dragon Q6A 板载接口分布（上：正面，下：反面）

关注点	规格	对你意味着什么
内存 / 存储	LPDDR5 4/6/8/12/16GB；microSD / eMMC / UFS / M.2 NVMe 四种启动介质	按跑多大模型选容量，量产与开发能分开
网络	千兆以太网（支持 PoE，需 HAT）+ Wi-Fi 6 / BT 5.4（需外接天线）	工业现场可单线供电
视觉与扩展	1× 4-lane + 2× 2-lane MIPI CSI、HDMI 4K@30、MIPI DSI；40-Pin GPIO、RTC、1× USB 3.1 + 3× USB 2.0	三路摄像头可同时接，外设直连不必加 MCU

尺寸 85 × 56 mm，供电支持 Type-C 12V（兼容 PD）、外部 12V 引脚和 PoE 三种方式。系统侧覆盖 Ubuntu、Qualcomm Linux 和 Android 15/16——同一块板子能从原型验证做到量产形态，不用换硬件重来。

4. 谁该买，买什么配置

该买的人：

• 做边缘视觉、工业网关、机器人主控的嵌入式团队；
• 需要在低功耗约束下跑本地 AI 推理的方案商；
• 想上手高通 AI 生态（AI Hub、QNN/QAIRT）但不想先买昂贵开发套件的开发者。

不该买的人：只做纯 CPU 逻辑控制、对 AI 无需求的项目，用更便宜的单片机方案更划算。

配置怎么选：

用途	内存	存储
学习、点灯、跑轻量分类模型	4 / 6GB	microSD 起步即可
边缘 AI 推理（检测/分割）	8GB 起	M.2 NVMe 2230
多路视频 + 本地大模型	12 / 16GB	NVMe（256GB 以上）
量产交付	按峰值内存的 1.5 倍留余量	优先 UFS 或 eMMC 模块

有两点必须提前知道：Android 15 目前仅支持 eMMC 或 UFS 模块启动，microSD 起不来——做 Android 应用就必须加购存储模块；另外 R1 及更高版本的镜像要求 BIOS 固件为 20251230 或更新版本，老板子要先烧 BIOS。

5. 购买清单

必买：Dragon Q6A 主板、12V PD 电源（建议 2A 以上，官方推荐瑞莎 PD 30W）、microSD 卡（工业级，8GB 以上）、外接天线（Wi-Fi 6 / BT 5.4 需外接）。

按用途加购：

用途	加购件
Android 开发	eMMC 模块 或 UFS 模块（硬性要求）
Ubuntu 生产部署	M.2 M-Key 2230 NVMe SSD
工业现场	PoE HAT（实现单线供电）
视觉项目	4-lane MIPI CSI 摄像头模组（购买前确认兼容性）
无显示器调试	USB 转串口线（CH340/CP2102 均可）

购买入口：

• 国内电商：瑞莎 Radxa Dragon Q6A 迷你主板（高通 QCS6490 / 12 TOPS / LPDDR5）——下单时按上面的配置表选内存容量
• 官方资料：radxa.com 与 docs.radxa.com/dragon/q6a
• 其他渠道与分销商名单：见官网"瑞莎分销商"页面

具体价格、可选内存版本与库存以商品页实时信息为准，本文不作报价。

6. 几个还没答案的问题

规格看完了，但一块板子好不好用，不取决于参数表。下面这些问题我还没有答案：

• 系统怎么装最快？ microSD、U 盘、eMMC、UFS、NVMe 五条路摆在面前，还有 EDL 线刷和 BIOS 重烧，启动优先级到底是怎样的？
• 12 TOPS 能换来多少帧？ Adreno 643 的 OpenCL / Vulkan 实测水平如何，VPU 的 4K 硬解能撑住几路？
• AI Hub 上的模型能直接落到 QCS6490 吗？ Workbench 量化之后精度掉多少，云端 profile 的数据和板端实测差多远？
• 工业与机器人场景能直接对接吗？ 40-Pin、PoE、三路 CSI 在真实现场怎么用？

这些问题没有一条能靠读文档解决，只能靠实测一个个回答。