arXiv cs.AI· Cristian Martella, Angelo Martella, Antonella Longo, Motaz Saad·· 10 天前AI 评分22
面向边缘端智能数据模型分类的小语言模型：一种成本感知的混合方法
Small Language Models for Smart Data Model Classification at the Edge: A Cost-Aware Hybrid Approach
AI 导读
该研究评估了轻量级开源语言模型在资源受限的边缘环境下，将输入数据实体匹配到最合适智能数据模型（SDM）的表现，并系统基准测试了通用、推理专用和代码专用三类架构在多个领域数据集上的效果。实验还将所调研的大语言模型与 TF-IDF 和轻量级句子编码器两种近零成本相似度基线进行对比，为判断 LLM 分类在边缘平台上的实用价值提供参考。
正文 · AI 翻译
摘要：物联网（IoT）在智慧城市、能源管理和环境监测等领域的异构数据源迅速激增，这需要高效且可扩展的数据标准化方法。对智能数据模型（SDM）进行有效分类对于促进互操作性至关重要。然而，现有方法往往受限于高资源消耗，并且在计算能力受限的边缘环境中缺乏适用性。为弥补这一差距，本研究评估了轻量级开源语言模型（LM）在资源受限条件下将输入数据实体解析为其最匹配的 SDM 表示的性能。它系统性地对多种模型进行了基准测试，包括通用（GP）、推理专用（RS）和代码专用（CS）架构，涵盖多个领域特定数据集。针对当前文献中轻量级、资源高效解决方案的缺失，该研究为优化准确性和效率的模型选择、任务制定和部署策略提供了重要且有价值的见解。一项补充实验还在同一任务上将所调查的大语言模型（LLM）与两个近乎零成本的相似度基线（词频-逆文档频率（TF-IDF）和轻量级句子编码器）进行了比较，为解读基于 LLM 的分类在边缘平台上的实际价值提供了有力的参考点。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.07093 [cs.AI] |
| （或 arXiv:2610.07093v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07093 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Motaz Saad [查看电子邮件]
[v1]
2026年10月5日星期一 13:25:09 UTC（67 KB）
来源：arXiv cs.AI · arxiv.org