昨天深夜调试RT-DETR部署问题，模型在TensorRT上推理速度比预期慢了40%。打开性能分析工具一看，发现某个transformer层的矩阵乘形状没对齐，触发了fallback到低效核函数。这种问题在面试里常被问成“模型部署有哪些优化手段”，但真实场景往往始于这种具体而微的细节。从输出张量形状说起部署时第一个坑常出现在输出解析。RT-DETR的检测头输出和YOLO系列完全不同，不是简单的(x, y, w, h, conf, cls)排列。某次面试候选人把输出当成了6维向量直接解析，结果指标全崩。# 错误示例：用YOLO的思维解析RT-DETRoutput=model(image_tensor)# 形状可能是[1, 300, 64+4]boxes=output[..