Google推出了轻量级指令微调模型Gemma-3-270M-IT，参数仅2.7亿，适合低算力环境，支持32K tokens上下文，解决了大模型的响应延迟和上下文丢失问题，满足高效对话需求。

本研究提出了一种轻量级端到端文本到语音合成模型（LE2E），旨在解决现有模型在低资源设备上无法实时应用的问题。该模型在保持高音质的同时，计算资源消耗减少90%，实时处理速度提升10倍，展示了在低资源环境中实现高质量语音合成的潜力。

本研究提出了一种轻量级模型，用于检测社交媒体政治广告中的说服力，显著降低了计算资源需求，并在SemEval 2023任务中表现优异。研究揭示了广告中的细微策略，提高了对这些策略的探测和分析能力，增强了政治广告的透明度。

Gemma 3 是基于 Gemini 技术的多模态轻量级模型，支持文本和图像，具有 128K 上下文窗口，适用于 140 种语言，提供多种参数大小，擅长问答和总结，适合资源有限的设备。

本研究提出了一种去中心化的联邦学习框架dFLMoE，通过客户间直接交换轻量级模型，增强了决策的稳健性，显著优于现有方法。

该研究探讨了在资源受限的边缘计算环境中，使用轻量级大语言模型进行恶意软件检测的有效性。实验结果表明，该方法在不同边缘设备上具有良好的检测能力，展现出广泛的应用潜力。

本研究提出了一种新颖的轻量级集成模型，结合MobileNetV2和NASNetMobile两个卷积神经网络，用于儿童肺炎的早期检测。该模型的分类准确率达到98.63%，优于单一模型，适合资源受限环境。

该研究提出了一种轻量级深度学习模型，能够自动检测体育视频中的精彩片段，显著减少人工干预。通过结合音频和视频源，模型实现了高准确率，提高了处理效率和鲁棒性。

本研究提出了一种新方法，通过改进的反向残差移动块和高效结构EMOv2，提升了5M规模轻量级模型在视觉识别和目标检测任务中的密集预测性能，实验结果显示其表现优越。

本研究提出了一种Multitask-Gaze网络模型，旨在解决轻量级模型在凝视估计任务中的性能下降问题。通过引入单向卷积和注意力机制，提升了模型的表征能力。实验结果表明，在MPIIFaceGaze和Gaze360数据集上，模型性能分别提升1.71%和2.75%，同时参数和FLOPs分别减少75.5%和86.88%。

本研究提出了两种轻量级卷积神经网络模型，旨在快速准确地检测人脸伪造。这些模型在识别伪造面孔时展现出高准确性和计算效率，具有广泛的应用潜力。

本研究提出了一种轻量级模型RAGulator，用于实时检测大语言模型生成的上下文外文本，支持企业安全采用RAG应用。研究发现DeBERTa模型在性能和速度上表现最佳，且无需额外文本预处理，为企业本地部署提供了重要的速度和资源考量。

本研究提出了一种名为MBDRes-U-Net的轻量级脑肿瘤分割模型，旨在降低计算负担。该模型通过多分支残差块和融合注意力的方法，利用多模态图像的局部特征，显著提高了分割性能并减少了计算开销，在脑肿瘤分割挑战赛中表现出高精度。

本研究提出了一种轻量级语义分割网络BAFNet，采用双路径设计和双重注意力机制，在有限样本和计算资源下显著提高了城市遥感图像的分割效率和精度，超越了多个轻量级模型，表现与非轻量级方法相当。