要将PyTorch模型保存为本地推断模型，可以按照以下步骤操作：

1. 定义和训练模型：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.fc = nn.Linear(10, 1)
    
    def forward(self, x):
        x = self.fc(x)
        return x

# 创建模型实例
model = Model()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(10):
    inputs = torch.randn(1, 10)  # 随机生成输入
    labels = torch.randn(1, 1)  # 随机生成标签

    # 清空梯度
    optimizer.zero_grad()

    # 前向传播
    outputs = model(inputs)

    # 计算损失
    loss = criterion(outputs, labels)

    # 反向传播和优化
    loss.backward()
    optimizer.step()

# 保存模型
torch.save(model.state_dict(), 'model.pth')

2. 加载模型并进行推断：

# 创建模型实例
model = Model()

# 加载模型参数
model.load_state_dict(torch.load('model.pth'))
model.eval()

# 进行推断
inputs = torch.randn(1, 10)  # 随机生成输入
outputs = model(inputs)

print(outputs)

在这个示例中，我们首先定义了一个简单的模型，然后使用随机数据进行训练。训练完成后，我们将模型参数保存到model.pth文件中。

在推断时，我们首先创建一个新的模型实例，加载保存的模型参数，并将模型设置为评估模式（model.eval()）。然后，我们可以使用模型进行推断，传入输入数据并获取输出结果。

请注意，加载模型时，必须确保模型的定义和保存时的模型结构完全相同。否则，加载时可能会出现错误。