看画面与喊话是两类业务：看画面用HLS等CDN分发，成本优先；喊话须走RTC，延迟优先。TCP重传导致队头阻塞，延迟随丢包非线性上升，不适合喊话。HLS、HTTP-FLV为单向，无反向音频通道。实际项目常两套并存，仅对喊话那路补RTC。纯看画面、无强实时联动时，继续用HLS更经济。

多模态推理采用EPD拆分，将视觉编码、预填充、解码分队列调度，以缓解图片请求阻塞文字请求的队头阻塞。NVIDIA测试显示，图片密集负载下首字延迟最高快5倍，但长输出或轻媒体收益小甚至倒退。该方案适合多图、短答、混合流量场景；单图、长输出、低并发不宜拆分。