OLX 的工程師發現，在 PyTorch 依賴需求中新增一行程式碼就能將 Docker 映像大小削減 78% —— 從 8.3GB 降到 1.75GB。這個修改在建構不需要 CUDA 支援的容器時排除了不必要的 GPU 函式庫，解決了 AI 部署中最大的痛點之一。

這很重要，因為臃腫的容器映像會拖慢一切。更大的映像需要更長時間建構、推送到註冊表和拉取部署。它們會消耗儲存成本，讓 CI/CD 流水線變得緩慢。對於大規模部署 PyTorch 模型的團隊，特別是僅 CPU 推理服務，攜帶幾個 GB 未使用的 GPU 依賴純粹是浪費。如此顯著的改進僅來自一行程式碼的變更，這突顯了許多 AI 部署流水線的最佳化仍然很差。

雖然只有一個來源報導了這個發現，但缺乏更廣泛的報導並不會削弱其重要性。這似乎是那種透過開發者社群有機傳播而非透過新聞發布的實用工程洞察。可用報告中沒有詳述具體的設定變更，但結果不言自明。

在生產環境中執行 PyTorch 的開發者應該立即研究這個最佳化。容器大小直接影響部署速度、成本和開發者體驗。如果你在建構僅 CPU 推理服務或不需要 CUDA 支援，你很可能在傳輸不必要的冗餘。這種基礎架構最佳化 —— 雖然不起眼但影響深遠 —— 往往比追逐最新模型發布提供更多價值。