AI 模型需要按需下载 + GPU 依赖
两种 AI 功能，一套引擎
ZenConverter 的两条 AI 路线共用同一个推理引擎：Tencent NCNN，GPU 后端走 Vulkan。
| AI 功能 | 路线 | 模型大小 | 状态 |
|---|---|---|---|
| Real-ESRGAN 图片 4× 超分 | NCNN Vulkan | 4.65 MB（轻量）/ 63.9 MB（高画质） | Stable |
| RIFE 2× 视频补帧 | NCNN Vulkan | RIFE 模型 | Experimental |
两条路线都是 Android 专属——需要 arm64-v8a 架构 + Vulkan GPU 支持。不满足其中任何一条，AI 功能就不会出现或会明确报错。
为什么模型不打包进 APK
APK 现在约 38.8 MB。如果把 AI 模型（至少一个 4.65 MB + 63.9 MB 两个）都打包进去：
- APK 会变成约 107 MB；
- AI 功能不是刚需——很多用户只用格式转换，不会碰 AI 超分/补帧；
- 模型可能更新，打包进 APK 后更新模型必须更新整个应用。
所以 ZenConverter 选择按需下载：想用 AI 功能时才下载模型，下载后用 SHA-256 校验确认和官方仓库的哈希一致。
SHA-256 校验的意义
SHA-256 校验是为了防止两种风险：
- 下载损坏：网络不稳定时下载到一半文件不完整；
- 模型替换：如果模型下载来源被劫持（比如不安全的网络环境），攻击者可能替换模型文件。
校验失败 → 模型不会被加载，ZenConverter 会提示"校验失败，请重试"。这不是网络不好的问题，而是文件完整性有问题。
GPU 加速 vs CPU Fallback
| 路径 | 条件 | 速度 |
|---|---|---|
| Vulkan GPU 加速 | 设备 GPU 支持 Vulkan + NCNN Vulkan 库正常 | 快（图片超分几秒到几十秒） |
| CPU Fallback | 设备不支持 Vulkan，或 Vulkan 初始化失败 | 慢（图片超分可能几分钟） |
ZenConverter 优先走 Vulkan GPU 加速。如果设备不支持，不会直接失败——会 fallback 到纯 CPU 推理，速度慢但功能可用。
RIFE 视频补帧（Experimental）和 Vulkan GPU 的耦合更紧，某些 RIFE 失败场景可能没有有效的 CPU fallback。
arm64-v8a Only 的影响
AI 引擎（libzen_ncnn.so + libncnn.so）只编译了 arm64-v8a ABI。32 位 ARM 设备：
- 整个 APK 装不上（APK 只含 arm64 native 库）；
- 不是只 AI 功能不行，是整个 ZenConverter 都用不了。
这和 FFmpeg、office2pdf、woff2 native 库的 arm64-only 情况一致。
实验性路线的风险
RIFE 视频补帧标为 Experimental，原因是：
- 移动端芯片的 GPU Vulkan 驱动差异巨大——某些骁龙、联发科、麒麟芯片的 Vulkan 驱动可能让 NCNN 初始化失败；
- 显存调度差异——某些设备的 GPU 显存管理策略会导致推理中途被系统杀掉；
- 模型加载和推理的内存峰值不稳定——不同场景波动大。
Experimental 状态意味着"能用但不稳定"，不是"不能用"。
使用建议
| 场景 | 推荐 |
|---|---|
| 图片放大（不是特别急） | 先下轻量模型（4.65 MB），够用 |
| 图片放大（追求画质） | 下高画质模型（63.9 MB），画质更好 |
| 视频补帧（想试一下） | 先确认设备支持 Vulkan，跑一次试试 |
| 视频补帧（想长期用） | 先在一台稳定的设备上验证，不要在重要任务上第一次用 |
已知边界
- 模型下载来源：从 GitHub Releases 下载，不走自建 CDN；
- 网络环境：下载模型需要能访问 GitHub（中国大陆用户可能需要代理）；
- 模型管理：下载的模型会被缓存到应用私有目录（卸载会被清掉）；
- 不是万能超分：某些艺术风格的图用 Real-ESRGAN 反而会被过度锐化，不如双线性插值路线。
相关页面
- Real-ESRGAN 深度学习 4× AI 超分 —— 两条模型的详细对比
- AI 补帧：RIFE 2× 与光流 minterpolate —— 视频 AI 路线
- 双线性插值 2×/3×/4× —— 零依赖、不走 NCNN 的替代路线
