EdgeAI 构建了一个计算机视觉模型，必须将其部署到异构边缘设备（Raspberry Pi 3、NVIDIA Jetson TX2 和 arm64 Linux 网关）组成的设备群中。他们希望最大限度地提高推理吞吐量并减少内存占用。关于在此场景中使用 SageMaker Neo 编译，哪项陈述最准确？

SageMaker Neo 的核心优势在于它能针对特定硬件平台进行优化。对于异构设备群，Neo 会为每个目标平台（如 raspberrypi3、jetsontx2 和 linuxaarch64）单独编译模型。这种针对性编译通过图优化和量化等技术，显著提高推理吞吐量并减少内存占用，从而生成高度优化的工件。 其他选项不正确的原因： Neo 不会编译一个通用的二进制文件适用于所有设备，因为不同硬件架构需要不同的优化。 SageMaker Neo 不仅限于 AWS 内部实例，它支持为多种边缘设备编译模型。 Neo 支持多种深度学习框架，包括 TensorFlow 和 PyTorch，并能为它们提供性能优化。