前不久以299元的价格入手了一块鲁班猫3开发板，具体来说是标准2GB内存、0GB存储的RK3576型号。近期DeepSeek热度持续攀升，按照计算公式，运行一个1.5B参数的大模型至少需要0.9GB的DDR空间——目标很清晰，但前提是先提升这只“猫”的硬件配置。

嵌入式工程师的动手信条：能自己动手解决的绝不花钱买。于是从另一块板子上拆解了一颗4GB的LPDDR4X颗粒。查阅了鲁班猫3的原理图，板载DDR采用的是国产兼容LPDDR4和LPDDR4X的颗粒，默认VDDQ1为0.6V，运行在LPDDR4X模式下。

颗粒数据手册中标注的电压参数。

原理图中DDR部分的电路设计。

电源控制部分采用了兼容设计：贴装Q9不贴R110即为LPDDR4，贴装R110不贴Q9则为LPDDR4X。

准备工作：使用钢网涂锡植球，选用183度低温锡膏，搭配350度热风枪，中档风速开始操作。

这块板的DDR布局紧邻排针，拆焊时需格外小心，避免排针熔化。原厂采用高温锡，需设置400度三档。待锡融化后，用镊子轻轻一拨，芯片随即松动，顺利取下。烙铁350度，添加少许助焊剂，焊盘很快就被拖平。

将植好球的芯片放置到位，低温锡用350度即可完成焊接。焊完后上电，一次成功点亮。鲁班猫3从“哈基米”进化成了“汤姆”——配置由2+0升级为4+128。

模型部署与NPU加速

硬件搞定后，下一步目标是让DeepSeek在NPU上顺利运行。参照鲁班猫的RKLLM教程，先从Git仓库克隆RK官方的airockchip代码，安装conda，配置PC端工具环境。考虑到仅有4GB内存，决定先用DeepSeek 1.5B版本进行练习。

下载模型，利用官方脚本完成量化操作。量化过程中会遇到各种有趣的问题，同时可以观察PC资源占用情况——再针对这些问题对模型进行适当微调。

接着修改NPU模型参数，启动模型转换，生成rkllm文件，然后直接通过scp发送到开发板上。

板端使用make编译Demo源码，加载rkllm模型。运行后效果超出预期——文字快速生成，有了NPU的助力，CPU被解放出来处理其他任务。简单编写一个Rust斐波那契数列，模型都能完美解答，各种边界情况考虑得十分周全。在这样小小的芯片上，以如此速度运行如此神奇的功能，仿佛机器真的拥有了生命力。

RK3576目前是体验嵌入式AI大模型时性价比最优的选择之一。成功部署后，直接进行对话，比许多互动方式更有趣味。感兴趣的话，不妨一起来尝试。