研究比较了轻量级视觉变换器（ViTs）和轻量级卷积神经网络（CNNs）在移动设备上的性能，提出了新的轻量级CNNs家族RepViT。实验表明，RepViT在ImageNet上表现优异，在iPhone 12上准确率超过80%，延迟仅1毫秒。最大模型RepViT-M3达到了81.4%的准确率。