OLX 的工程师发现，在 PyTorch 依赖需求中添加一行代码就能将 Docker 镜像大小削减 78% —— 从 8.3GB 降到 1.75GB。这个修改在构建不需要 CUDA 支持的容器时排除了不必要的 GPU 库，解决了 AI 部署中最大的痛点之一。

这很重要，因为臃肿的容器镜像会拖慢一切。更大的镜像需要更长时间构建、推送到注册表和拉取部署。它们会消耗存储成本，让 CI/CD 流水线变得缓慢。对于大规模部署 PyTorch 模型的团队，特别是仅 CPU 推理服务，携带几个 GB 未使用的 GPU 依赖纯粹是浪费。如此显著的改进仅来自一行代码的变更，这突显了许多 AI 部署流水线的优化仍然很差。

虽然只有一个来源报道了这个发现，但缺乏更广泛的报道并不会削弱其重要性。这似乎是那种通过开发者社区有机传播而非通过新闻发布的实用工程洞察。可用报告中没有详述具体的配置变更，但结果不言自明。

在生产环境中运行 PyTorch 的开发者应该立即研究这个优化。容器大小直接影响部署速度、成本和开发者体验。如果你在构建仅 CPU 推理服务或不需要 CUDA 支持，你很可能在传输不必要的冗余。这种基础设施优化 —— 虽然不起眼但影响深远 —— 往往比追逐最新模型发布提供更多价值。