格灵深瞳发布的Glint-MVT视觉基础模型在分类测试中表现优异，准确率超过CLIP和OpenCLIP。该模型采用间隔Softmax损失函数，提升了特征提取能力，并在图像理解和分割任务中表现出色。团队致力于技术创新，推动AI实际应用，展现国内计算机视觉实力。

本文提出施雷尔-余数图传播（SCGP）方法，解决图神经网络在处理图数据时的过度压缩问题，改善节点间信息传递。SCGP提升节点特征，保持拓扑结构，增强长距离信息传递性能，并在分类基准测试中表现优异，具有低推理延迟和高可扩展性。

本文介绍了LayerCollapse方法用于适应性模型压缩，通过合并全连接层和引入压缩感知正则化器，提高模型效率并减少过拟合。实验证明，该方法在多个分类基准测试中实现了最高74%的压缩率，且准确度损失最小。在ImageNet数据集上，计算效率提高五倍，整体准确度提升8%。