我们在使用海光K100显卡进行Diffusion + YOLO模型推理时，发现显存占用远高于在英伟达显卡上的表现：

• 在英伟达显卡（如A100）上，推理显存大约在10GB；
• 而在海光K100上，显存使用接近40GB；
• 推理过程虽然能跑通，但资源占用超出预期，影响部署效率和规模扩展。

目前我们使用的是PyTorch框架，模型结构和推理流程在两个平台是一致的，没有做特定平台优化。我们希望了解：

1. 海光这边是否有工具可以支持我们分析显存使用情况，定位是哪些模块或变量占用了大量显存；
2. 是否存在缓存、编译策略或算子等方面的优化建议；
3. 是否可以安排相关专家支持我们一起分析和排查这个问题。