يُمكّن التكميم الشبكي العصبي من نشر النماذج على الأجهزة الطرفية. ويشترط لفعالية هذه النماذج من الناحية المعمارية أن تكون المُكمّمات متوافقة مع الأجهزة: متساوية، متماثلة، وذات حدود ذات قوى مناثرة للعدد اثنين. إلى حد معرفتنا، لا تدعم الطرق الحالية لتكميم النماذج بعد التدريب جميع هذه القيود في آن واحد. في هذا العمل، نقدّم إطارًا لعملية تكميم ما بعد التدريب متوافق مع الأجهزة (HPTQ)، يعالج هذه المشكلة من خلال دمج تآزري لعدة طرق معروفة لتكميم النماذج. قمنا بدراسة واسعة النطاق على أربع مهام: التصنيف، والكشف عن الكائنات، والتقسيم الدلالي، وتقدير الوضع، باستخدام مجموعة واسعة من هياكل الشبكات. تُظهر تجاربنا الواسعة أن نتائج تنافسية يمكن تحقيقها ضمن القيود المتوافقة مع الأجهزة.