: 软件栈与开发环境搭建)
【开篇语】本系列我们将从第一篇的硬件架构开始全面了解骁龙X2 EliteSC8480XP Extreme这颗芯片为何能成为Windows on ARM边缘AI开发的旗舰平台。本文包含产品线、CPU/GPU/NPU详细规格、内存IO、动手搭建开发环境让NPU“活”起来。一、硬件环境本文以骁龙SC8480XP(X2 Elite Extreme)平台为开发环境。详细规格请参考《骁龙X2 Elite解析(2): 完整规格参数一览》1.1、核心架构总览SoC框图┌───────────────────────────────────────────────────────────────┐ │ SC8480XP SoC │ ├───────────────────────────────────────────────────────────────┤ │ ┌─────────────────────────────────────────────────────────┐ │ │ │ 18核 Oryon CPU │ │ │ │ 12x P-core 4.3GHz | 6x E-core 3.4GHz │ │ │ │ 2MB L2 per P-core | 1.5MB L2 per E-core │ │ │ │ 54MB System Level Cache (SLC) │ │ │ └─────────────────────────────────────────────────────────┘ │ │ ┌─────────────────────┐ ┌─────────────────────────────────┐ │ │ │ Hexagon V77 NPU │ │ Adreno 780 GPU │ │ │ │ • 85 TOPS INT8 │ │ • 6 TFLOPS FP32 │ │ │ │ • 170 TOPS INT4 │ │ • 光追加速 (DXR, VKRT) │ │ │ │ • 双HTP集群 │ │ • 8K60 视频编码/解码 │ │ │ │ • 8MB 专用SRAM │ └─────────────────────────────────┘ │ │ └─────────────────────┘ │ │ ┌─────────────────────────────────────────────────────────┐ │ │ │ 内存与IO子系统 │ │ │ │ • LPDDR5x-9523, 228 GB/s, 最大96GB │ │ │ │ • PCIe 5.0 x8 (64 GB/s), 2x USB4/Thunderbolt 4 │ │ │ │ • WiFi 7 (3.6 Gbps), 2.5GbE以太网 │ │ │ └─────────────────────────────────────────────────────────┘ │ │ 制程: TSMC N3P (3nm) | TDP: 15-30W | 温度: -20~100°C │ └───────────────────────────────────────────────────────────────┘1.2 三引擎异构计算骁龙X2 Elite 采用CPU GPU NPU三引擎异构计算并非简单堆砌而是遵循三条核心设计理念1. 智能调度AI引擎根据模型特征计算密度、内存访问模式、实时性要求自动选择最优执行后端小卷积网络、轻量分类 → NPU低功耗大矩阵运算、Transformer → GPU高吞吐控制流密集、预处理/后处理 → CPU灵活2. 流水线并行视觉预处理在CPU执行时NPU同步推理上一帧GPU渲染与NPU推理可重叠执行有效隐藏数据搬运延迟实现吞吐最大化。3. 功耗优化轻负载任务如语音VAD、传感器数据路由到NPU的low-power模式重计算任务如SD3生成、LLM推理分配给GPU或NPU的burst模式使能效比达到最优。二、边缘AI应用软件栈架构从应用层到硬件加速的完整技术栈三、QNN SDK v3.0 新特性X2 Elite专属的QNN SDK v3.0带来以下关键能力Hexagon V77 架构优化– Transformer加速API专门针对DiT、LLM等模型INT4硬件量化– Q4K1/Q4K2格式原生支持无需软件模拟模型并行– 跨双NPU集群分片支持超大模型动态形状支持– 无需重编译适应可变输入尺寸ONNX Runtime QNN EP v2.0– 缓存机制优化首次编译后秒级加载Windows Driver 35.x– 比X1 Elite的30.x性能提升15-20%Qualcomm AI Hub v2.0– 预优化模型库一键下载即用四、Windows 11 24H2 与 Copilot 深度集成X2 Elite与Windows 11 24H2的协同优化原文件完整列表WINDOWS_OPTIMIZATIONS{AI:[Windows Copilot Runtime 2.0,DirectML 1.14 (X2 Elite专属优化),Windows Machine Learning WinML 1.3,],电源:[Modern Standby (S0ix) 优化,动态功耗管理根据负载智能调整P/E核,WLAN 低功耗协议,],内存:[压缩内存优化AI辅助,NUMA感知调度18核优化,],安全性:[Microsoft Pluton 2.0,Snapdragon Secure Compute (SSC) 安全岛,HVCI 硬件保护,],}五、硬件与软件要求5.1 推荐配置全功能SoCSnapdragon X2 Elite / Pro (SC8480XP/SC8470XP)内存32GB LPDDR5xSD3 Large 推荐64GB存储50GB 空闲 NVMe SSD系统Windows 11 24H2 或更高驱动Qualcomm Compute Driver 35.0.160.05.2 基础配置仅SD1.5 / 轻量模型Snapdragon X1 Elite / Plus16GB LPDDR5x30GB 存储空间六、完整环境搭建步骤6.1 安装ARM64版Python重要必须使用ARM64原生Python否则QNN EP无法加载。访问 python.org/downloads下载Windows ARM64版本如 3.11/3.12安装时勾选“Add Python to PATH”验证python-cimport platform; print(platform.machine())# 应输出 ARM646.2 一键环境配置脚本PowerShell将以下脚本保存为setup_x2_env.ps1以管理员身份运行Write-Host 1. 检查Python必须ARM64原生-ForegroundColor Green python--version python-cimport platform; assert platform.machine() ARM64, 请使用ARM64版本的PythonWrite-Host 2. 创建虚拟环境 -ForegroundColor Green python-m venv x2_env.\x2_env\Scripts\Activate.ps1Write-Host 3. 升级pip -ForegroundColor Green python-m pip install--upgrade pipWrite-Host 4. 安装依赖包 -ForegroundColor Green# 核心ONNX Runtime QNN版 (X2 Elite专属优化)pip install onnxruntime-qnn1.21.0# 图像处理与工具pip install pillow opencv-python numpy# WebUI可选pip install gradio4.38.1# Hugging Face生态pip install transformers4.41.0 accelerate0.31.0# 模型导出与优化pip install ultralytics onnx onnxsim# 音频处理语音助手pip install sounddevice librosa# 下载工具pip install requests tqdmWrite-Host 5. 验证QNN Execution Provider -ForegroundColor Green python-c import onnxruntime as ort available ort.get_available_providers() print(可用Providers:, available) if QNNExecutionProvider in available: print(✓ QNNExecutionProvider 可用) else: print(✗ QNNExecutionProvider 不可用请检查驱动和onnxruntime-qnn版本) Write-Host 6. 检查NPU驱动版本 -ForegroundColor Green# 驱动版本通常可在设备管理器中查看或通过以下命令如果安装了高通工具# Get-ItemProperty C:\Windows\System32\DriverStore\FileRepository\qcdkmd.inf_*\qcdkmd2.sys | Select-Object VersionInfoWrite-Host环境配置完成请运行.\x2_env\Scripts\Activate.ps1-ForegroundColor Cyan6.3 手动验证步骤如果脚本中的自动验证失败可手动执行importonnxruntimeasortprint(ort.get_available_providers())# 期望输出包含 QNNExecutionProvider若未出现请检查Python是否为ARM64驱动版本是否为35.x设备管理器 → 显示适配器 → Qualcomm Adreno → 驱动程序版本尝试重装onnxruntime-qnnpip install --force-reinstall onnxruntime-qnn七、QNN Execution Provider 配置详解7.1 基础配置模板importonnxruntimeasort qnn_options{backend_path:QnnHtp.dll,# NPU后端htp_performance_mode:burst,# burst/balanced/low_powerenable_htp_fp16_precision:1,# 启用FP16加速htp_graph_finalization_optimization_mode:3,qnn_context_cache_enable:1,# 启用缓存关键qnn_context_cache_path:./cache/model_cache.bin,htp_arch:77,# Hexagon V77}providers[(QNNExecutionProvider,qnn_options),CPUExecutionProvider,# 回退到CPU]sessionort.InferenceSession(model_path,providersproviders)7.2 性能模式说明模式适用场景功耗延迟burst实时推理、最低延迟最高最低balanced日常AI任务均衡中等low_power后台推理、电池模式最低较高7.3 缓存机制详解首次加载模型时QNN会将模型编译为NPU可执行的指令耗时较长10-15分钟。开启缓存后编译结果保存到指定路径后续加载仅需0.5-2秒。# 首次运行设置缓存路径qnn_options[qnn_context_cache_enable]1qnn_options[qnn_context_cache_path]./cache/my_model.bin# 后续运行自动读取缓存无需重新编译建议将缓存目录放在高速SSD上且不要删除。如果模型更新删除缓存文件即可重新编译。八、模型准备与转换工具8.1 使用QNN命令行工具转换模型# 基本转换ONNX → QNN格式qnn-onnx-converter\--input_networkmodel.onnx\--output_pathmodel_qnn.bin\--input_layoutNCHW# INT8量化需要校准数据qnn-onnx-converter\--input_networkmodel.onnx\--output_pathmodel_qnn_int8.bin\--quantization_overridesquantization_config.json# 指定目标架构Hexagon V77qnn-onnx-converter\--input_networkmodel.onnx\--output_pathmodel_qnn.bin\--target_archhexagon_v778.2 量化配置文件示例quantization_config.json{quantization_mode:static,activation_bit_width:8,weight_bit_width:8,calibration_data_dir:./calib_images,calibration_method:percentile,percentile_value:99.99}九、高通预优化模型高通提供预编译好的NPU模型无需自行转换一键下载# 安装AI Hub CLI需登录pipinstallqai-hub# 下载YOLOv8n NPU模型qai-hub download yolo-v8-nano--output./models# 下载Stable Diffusion 1.5qai-hub download stable-diffusion-1-5--output./models支持的模型列表视觉YOLOv8, ResNet, MobileNet, EfficientNet语言Llama 2/3, Phi-3, Mistral文生图SD 1.5, SD 2.1, SD 3 Medium语音Whisper, VITS, Silero VAD十、开发工具与资源表工具用途获取方式Qualcomm AI Hub模型优化、验证、部署一站式平台aihub.qualcomm.comQNN SDKNPU原生开发套件Qualcomm Package ManagerONNX Runtime QNN EP跨后端推理引擎pip install onnxruntime-qnnWindows AI Studio模型管理与微调VS Code ExtensionSnapdragon Profiler性能分析工具GPU/NPU/CPUQualcomm DeveloperDirectMLGPU AI加速接口Windows SDKQualcomm Compute DriverNPU驱动35.xWindows Update或高通官网十一、开发最佳实践5条优先NPUINT8量化后的模型优先部署到NPU可获得最佳能效比85 TOPS 8-12W异构调度大模型的Attention层可拆分到NPUGPU协同执行Transformer专用单元流水线设计充分利用CPU做预处理/后处理与NPU推理并行双缓冲可提升40%吞吐内存管理使用Zero-copy buffer减少CPU↔NPU数据拷贝开销大模型采用层序加载功耗感知根据电源状态动态切换HTP性能模式burst/balanced/low_power十二、常见问题与解决方案问题解决方案首次模型加载10分钟开启qnn_context_cache_enable只需编译一次或使用Qualcomm AI Hub预编译模型NPU内存不足OOM降低分辨率/步数、使用INT4量化、关闭其他后台程序、推荐64GB内存机型QNN EP不可用①检查Python是否为ARM64②检查驱动版本≥35.x③重装onnxruntime-qnn缓存文件损坏删除./cache/目录重新生成Python非ARM64下载ARM64版Python from python.orgWindows提示“无法加载QnnHtp.dll”安装/更新Qualcomm Compute Driver或将驱动目录加入PATHSD3 Large内存不足使用层序加载见第六篇、降低精度、或升级到64GB机型十三、开发环境检查清单在开始后续实战之前请逐项确认Python 是 ARM64 版本python -c import platform; print(platform.machine())输出ARM64虚拟环境已创建并激活onnxruntime-qnn已安装且版本 ≥ 1.21.0ort.get_available_providers()包含QNNExecutionProviderQualcomm Compute Driver 版本 ≥ 35.0.160.0设备管理器中查看至少 50GB 空闲磁盘空间Windows 11 24H2 或更高版本可选已注册 Qualcomm AI Hub 账号【下篇预告】环境已经跑通NPU也已经就绪。下一篇我们将进入第一个实战项目实时视觉AI在X2 Elite上部署YOLOv8实现200 FPS的目标检测。你会看到CPU预处理、NPU推理、CPU后处理如何流水线协同。
骁龙X2 Elite边缘AI应用开发实战(1): 软件栈与开发环境搭建
发布时间：2026/6/11 19:59:14
【开篇语】本系列我们将从第一篇的硬件架构开始全面了解骁龙X2 EliteSC8480XP Extreme这颗芯片为何能成为Windows on ARM边缘AI开发的旗舰平台。本文包含产品线、CPU/GPU/NPU详细规格、内存IO、动手搭建开发环境让NPU“活”起来。一、硬件环境本文以骁龙SC8480XP(X2 Elite Extreme)平台为开发环境。详细规格请参考《骁龙X2 Elite解析(2): 完整规格参数一览》1.1、核心架构总览SoC框图┌───────────────────────────────────────────────────────────────┐ │ SC8480XP SoC │ ├───────────────────────────────────────────────────────────────┤ │ ┌─────────────────────────────────────────────────────────┐ │ │ │ 18核 Oryon CPU │ │ │ │ 12x P-core 4.3GHz | 6x E-core 3.4GHz │ │ │ │ 2MB L2 per P-core | 1.5MB L2 per E-core │ │ │ │ 54MB System Level Cache (SLC) │ │ │ └─────────────────────────────────────────────────────────┘ │ │ ┌─────────────────────┐ ┌─────────────────────────────────┐ │ │ │ Hexagon V77 NPU │ │ Adreno 780 GPU │ │ │ │ • 85 TOPS INT8 │ │ • 6 TFLOPS FP32 │ │ │ │ • 170 TOPS INT4 │ │ • 光追加速 (DXR, VKRT) │ │ │ │ • 双HTP集群 │ │ • 8K60 视频编码/解码 │ │ │ │ • 8MB 专用SRAM │ └─────────────────────────────────┘ │ │ └─────────────────────┘ │ │ ┌─────────────────────────────────────────────────────────┐ │ │ │ 内存与IO子系统 │ │ │ │ • LPDDR5x-9523, 228 GB/s, 最大96GB │ │ │ │ • PCIe 5.0 x8 (64 GB/s), 2x USB4/Thunderbolt 4 │ │ │ │ • WiFi 7 (3.6 Gbps), 2.5GbE以太网 │ │ │ └─────────────────────────────────────────────────────────┘ │ │ 制程: TSMC N3P (3nm) | TDP: 15-30W | 温度: -20~100°C │ └───────────────────────────────────────────────────────────────┘1.2 三引擎异构计算骁龙X2 Elite 采用CPU GPU NPU三引擎异构计算并非简单堆砌而是遵循三条核心设计理念1. 智能调度AI引擎根据模型特征计算密度、内存访问模式、实时性要求自动选择最优执行后端小卷积网络、轻量分类 → NPU低功耗大矩阵运算、Transformer → GPU高吞吐控制流密集、预处理/后处理 → CPU灵活2. 流水线并行视觉预处理在CPU执行时NPU同步推理上一帧GPU渲染与NPU推理可重叠执行有效隐藏数据搬运延迟实现吞吐最大化。3. 功耗优化轻负载任务如语音VAD、传感器数据路由到NPU的low-power模式重计算任务如SD3生成、LLM推理分配给GPU或NPU的burst模式使能效比达到最优。二、边缘AI应用软件栈架构从应用层到硬件加速的完整技术栈三、QNN SDK v3.0 新特性X2 Elite专属的QNN SDK v3.0带来以下关键能力Hexagon V77 架构优化– Transformer加速API专门针对DiT、LLM等模型INT4硬件量化– Q4K1/Q4K2格式原生支持无需软件模拟模型并行– 跨双NPU集群分片支持超大模型动态形状支持– 无需重编译适应可变输入尺寸ONNX Runtime QNN EP v2.0– 缓存机制优化首次编译后秒级加载Windows Driver 35.x– 比X1 Elite的30.x性能提升15-20%Qualcomm AI Hub v2.0– 预优化模型库一键下载即用四、Windows 11 24H2 与 Copilot 深度集成X2 Elite与Windows 11 24H2的协同优化原文件完整列表WINDOWS_OPTIMIZATIONS{AI:[Windows Copilot Runtime 2.0,DirectML 1.14 (X2 Elite专属优化),Windows Machine Learning WinML 1.3,],电源:[Modern Standby (S0ix) 优化,动态功耗管理根据负载智能调整P/E核,WLAN 低功耗协议,],内存:[压缩内存优化AI辅助,NUMA感知调度18核优化,],安全性:[Microsoft Pluton 2.0,Snapdragon Secure Compute (SSC) 安全岛,HVCI 硬件保护,],}五、硬件与软件要求5.1 推荐配置全功能SoCSnapdragon X2 Elite / Pro (SC8480XP/SC8470XP)内存32GB LPDDR5xSD3 Large 推荐64GB存储50GB 空闲 NVMe SSD系统Windows 11 24H2 或更高驱动Qualcomm Compute Driver 35.0.160.05.2 基础配置仅SD1.5 / 轻量模型Snapdragon X1 Elite / Plus16GB LPDDR5x30GB 存储空间六、完整环境搭建步骤6.1 安装ARM64版Python重要必须使用ARM64原生Python否则QNN EP无法加载。访问 python.org/downloads下载Windows ARM64版本如 3.11/3.12安装时勾选“Add Python to PATH”验证python-cimport platform; print(platform.machine())# 应输出 ARM646.2 一键环境配置脚本PowerShell将以下脚本保存为setup_x2_env.ps1以管理员身份运行Write-Host 1. 检查Python必须ARM64原生-ForegroundColor Green python--version python-cimport platform; assert platform.machine() ARM64, 请使用ARM64版本的PythonWrite-Host 2. 创建虚拟环境 -ForegroundColor Green python-m venv x2_env.\x2_env\Scripts\Activate.ps1Write-Host 3. 升级pip -ForegroundColor Green python-m pip install--upgrade pipWrite-Host 4. 安装依赖包 -ForegroundColor Green# 核心ONNX Runtime QNN版 (X2 Elite专属优化)pip install onnxruntime-qnn1.21.0# 图像处理与工具pip install pillow opencv-python numpy# WebUI可选pip install gradio4.38.1# Hugging Face生态pip install transformers4.41.0 accelerate0.31.0# 模型导出与优化pip install ultralytics onnx onnxsim# 音频处理语音助手pip install sounddevice librosa# 下载工具pip install requests tqdmWrite-Host 5. 验证QNN Execution Provider -ForegroundColor Green python-c import onnxruntime as ort available ort.get_available_providers() print(可用Providers:, available) if QNNExecutionProvider in available: print(✓ QNNExecutionProvider 可用) else: print(✗ QNNExecutionProvider 不可用请检查驱动和onnxruntime-qnn版本) Write-Host 6. 检查NPU驱动版本 -ForegroundColor Green# 驱动版本通常可在设备管理器中查看或通过以下命令如果安装了高通工具# Get-ItemProperty C:\Windows\System32\DriverStore\FileRepository\qcdkmd.inf_*\qcdkmd2.sys | Select-Object VersionInfoWrite-Host环境配置完成请运行.\x2_env\Scripts\Activate.ps1-ForegroundColor Cyan6.3 手动验证步骤如果脚本中的自动验证失败可手动执行importonnxruntimeasortprint(ort.get_available_providers())# 期望输出包含 QNNExecutionProvider若未出现请检查Python是否为ARM64驱动版本是否为35.x设备管理器 → 显示适配器 → Qualcomm Adreno → 驱动程序版本尝试重装onnxruntime-qnnpip install --force-reinstall onnxruntime-qnn七、QNN Execution Provider 配置详解7.1 基础配置模板importonnxruntimeasort qnn_options{backend_path:QnnHtp.dll,# NPU后端htp_performance_mode:burst,# burst/balanced/low_powerenable_htp_fp16_precision:1,# 启用FP16加速htp_graph_finalization_optimization_mode:3,qnn_context_cache_enable:1,# 启用缓存关键qnn_context_cache_path:./cache/model_cache.bin,htp_arch:77,# Hexagon V77}providers[(QNNExecutionProvider,qnn_options),CPUExecutionProvider,# 回退到CPU]sessionort.InferenceSession(model_path,providersproviders)7.2 性能模式说明模式适用场景功耗延迟burst实时推理、最低延迟最高最低balanced日常AI任务均衡中等low_power后台推理、电池模式最低较高7.3 缓存机制详解首次加载模型时QNN会将模型编译为NPU可执行的指令耗时较长10-15分钟。开启缓存后编译结果保存到指定路径后续加载仅需0.5-2秒。# 首次运行设置缓存路径qnn_options[qnn_context_cache_enable]1qnn_options[qnn_context_cache_path]./cache/my_model.bin# 后续运行自动读取缓存无需重新编译建议将缓存目录放在高速SSD上且不要删除。如果模型更新删除缓存文件即可重新编译。八、模型准备与转换工具8.1 使用QNN命令行工具转换模型# 基本转换ONNX → QNN格式qnn-onnx-converter\--input_networkmodel.onnx\--output_pathmodel_qnn.bin\--input_layoutNCHW# INT8量化需要校准数据qnn-onnx-converter\--input_networkmodel.onnx\--output_pathmodel_qnn_int8.bin\--quantization_overridesquantization_config.json# 指定目标架构Hexagon V77qnn-onnx-converter\--input_networkmodel.onnx\--output_pathmodel_qnn.bin\--target_archhexagon_v778.2 量化配置文件示例quantization_config.json{quantization_mode:static,activation_bit_width:8,weight_bit_width:8,calibration_data_dir:./calib_images,calibration_method:percentile,percentile_value:99.99}九、高通预优化模型高通提供预编译好的NPU模型无需自行转换一键下载# 安装AI Hub CLI需登录pipinstallqai-hub# 下载YOLOv8n NPU模型qai-hub download yolo-v8-nano--output./models# 下载Stable Diffusion 1.5qai-hub download stable-diffusion-1-5--output./models支持的模型列表视觉YOLOv8, ResNet, MobileNet, EfficientNet语言Llama 2/3, Phi-3, Mistral文生图SD 1.5, SD 2.1, SD 3 Medium语音Whisper, VITS, Silero VAD十、开发工具与资源表工具用途获取方式Qualcomm AI Hub模型优化、验证、部署一站式平台aihub.qualcomm.comQNN SDKNPU原生开发套件Qualcomm Package ManagerONNX Runtime QNN EP跨后端推理引擎pip install onnxruntime-qnnWindows AI Studio模型管理与微调VS Code ExtensionSnapdragon Profiler性能分析工具GPU/NPU/CPUQualcomm DeveloperDirectMLGPU AI加速接口Windows SDKQualcomm Compute DriverNPU驱动35.xWindows Update或高通官网十一、开发最佳实践5条优先NPUINT8量化后的模型优先部署到NPU可获得最佳能效比85 TOPS 8-12W异构调度大模型的Attention层可拆分到NPUGPU协同执行Transformer专用单元流水线设计充分利用CPU做预处理/后处理与NPU推理并行双缓冲可提升40%吞吐内存管理使用Zero-copy buffer减少CPU↔NPU数据拷贝开销大模型采用层序加载功耗感知根据电源状态动态切换HTP性能模式burst/balanced/low_power十二、常见问题与解决方案问题解决方案首次模型加载10分钟开启qnn_context_cache_enable只需编译一次或使用Qualcomm AI Hub预编译模型NPU内存不足OOM降低分辨率/步数、使用INT4量化、关闭其他后台程序、推荐64GB内存机型QNN EP不可用①检查Python是否为ARM64②检查驱动版本≥35.x③重装onnxruntime-qnn缓存文件损坏删除./cache/目录重新生成Python非ARM64下载ARM64版Python from python.orgWindows提示“无法加载QnnHtp.dll”安装/更新Qualcomm Compute Driver或将驱动目录加入PATHSD3 Large内存不足使用层序加载见第六篇、降低精度、或升级到64GB机型十三、开发环境检查清单在开始后续实战之前请逐项确认Python 是 ARM64 版本python -c import platform; print(platform.machine())输出ARM64虚拟环境已创建并激活onnxruntime-qnn已安装且版本 ≥ 1.21.0ort.get_available_providers()包含QNNExecutionProviderQualcomm Compute Driver 版本 ≥ 35.0.160.0设备管理器中查看至少 50GB 空闲磁盘空间Windows 11 24H2 或更高版本可选已注册 Qualcomm AI Hub 账号【下篇预告】环境已经跑通NPU也已经就绪。下一篇我们将进入第一个实战项目实时视觉AI在X2 Elite上部署YOLOv8实现200 FPS的目标检测。你会看到CPU预处理、NPU推理、CPU后处理如何流水线协同。
