综述：高效视觉-语言模型研究进展

这篇综述系统梳理了视觉-语言模型（VLM）在边缘计算和资源受限设备上的优化技术，重点探讨了紧凑架构设计、性能-内存权衡策略，并建立了开源论文库MPSC-GitHub，为AIoT（人工智能物联网）领域研究者提供了重要参考。

　　

ABSTRACT

视觉-语言模型（VLM）通过整合视觉与文本信息，在图像描述生成和视觉问答等领域展现出强大能力，但其高昂的计算成本制约了实时应用发展。最新研究聚焦三大优化方向：模型架构创新提出分层注意力机制和动态计算路径选择；量化压缩技术实现FP16到INT8的精度-速度平衡；知识蒸馏方法则通过师生框架传递多模态表征能力。特别值得注意的是，混合精度训练在保持90%以上原模型精度前提下，使内存占用降低至1/4。

Graphical Abstract

优化技术路线图揭示：模型剪枝可去除高达60%冗余参数，而神经架构搜索（NAS）生成的紧凑模型在COCO数据集上仅用0.3B参数即达到SOTA（当前最优）性能。轻量化框架如MobileVLM通过卷积-注意力混合模块，在移动端实现200ms级响应速度，这对医疗影像实时分析等场景具有突破性意义。

Conflicts of Interest

研究者建立的MPSC-GitHub资源库持续更新前沿论文，涵盖从理论创新到工业落地的完整技术链条。特别值得关注的是，最新进展显示视觉-语言-语音三模态联合训练可进一步提升模型效率，这为下一代跨模态系统开发指明了方向。