这篇于 2026 年 10 月 21 日提交至 arXiv 的论文由 Matheus Calheira Guimarães de Oliveira 与另外 11 位作者共同完成，题为《异构边缘平台上的模型压缩技术基准评测：以旋转机械预测性维护为用例》，归类于机器学习（cs.LG）与性能（cs.PF）方向。
研究出发点与工业 5.0 的落地需求密切相关。在工业 5.0 愿景中，自主系统被广泛采用并与人员协同工作，以推动产业的可持续发展。要让复杂的深度学习模型在边缘端完成推理，就必须使其适配资源受限的硬件。然而现实困难不少：工业场景中的边缘计算硬件高度异构，模型压缩往往带来精度损失，而针对预测性维护这类具体应用，究竟哪种压缩技术实用有效，业界也缺乏清晰指引。
为回答这一问题，作者对四种当前先进的模型压缩技术做了系统性横向比较。实验对象是一个用于预测性维护的高性能卷积神经网络，训练与评测所用数据来自真实世界的旋转机械——这是工业中极为常见的设备类型。压缩后的模型随后在九种异构计算平台上接受评测，覆盖范围从资源极度受限的边缘计算设备，一直延伸到通用处理器和高性能处理器，尽可能还原工业边缘环境中文档碎片化、平台多样的真实状况。
在评估中，研究团队同时看重三项指标：分类性能、推理速度和压缩比。结果表明，基于知识蒸馏的压缩方案综合表现最佳。该模型在全部设备上实现了超过 90% 的加速，同时保持 91.22% 的平衡 F 值，相对未压缩模型的预测性能仅有非常小的下降，模型体积更是缩减了 98.9%。
论文强调，通过在多个边缘平台上的成功部署以及对压缩策略的系统比较，研究团队展示了一条通往工业 5.0 目标的清晰路径：在大幅削减计算成本、进而降低能耗的同时，不必牺牲预测性能。该论文提供了 PDF、实验性 HTML 及 TeX 源码等全文获取方式，DOI 为 10.48550/arXiv.2610.30228。