這篇於 2026 年 10 月 21 日提交至 arXiv 的論文由 Matheus Calheira Guimarães de Oliveira 與另外 11 位作者共同完成，題為《異構邊緣平臺上的模型壓縮技術基準評測：以旋轉機械預測性維護為用例》，歸類於機器學習（cs.LG）與效能（cs.PF）方向。
研究出發點與工業 5.0 的落地需求密切相關。在工業 5.0 願景中，自主系統被廣泛採用並與人員協同工作，以推動產業的可持續發展。要讓複雜的深度學習模型在邊緣端完成推理，就必須使其適配資源受限的硬體。然而現實困難不少：工業場景中的邊緣計算硬體高度異構，模型壓縮往往帶來精度損失，而針對預測性維護這類具體應用，究竟哪種壓縮技術實用有效，業界也缺乏清晰指引。
為回答這一問題，作者對四種當前先進的模型壓縮技術做了系統性橫向比較。實驗物件是一個用於預測性維護的高效能卷積神經網路，訓練與評測所用資料來自真實世界的旋轉機械——這是工業中極為常見的裝置型別。壓縮後的模型隨後在九種異構計算平臺上接受評測，覆蓋範圍從資源極度受限的邊緣計算裝置，一直延伸到通用處理器和高效能處理器，儘可能還原工業邊緣環境中文件碎片化、平臺多樣的真實狀況。
在評估中，研究團隊同時看重三項指標：分類效能、推理速度和壓縮比。結果表明，基於知識蒸餾的壓縮方案綜合表現最佳。該模型在全部裝置上實現了超過 90% 的加速，同時保持 91.22% 的平衡 F 值，相對未壓縮模型的預測效能僅有非常小的下降，模型體積更是縮減了 98.9%。
論文強調，透過在多個邊緣平臺上的成功部署以及對壓縮策略的系統比較，研究團隊展示了一條通往工業 5.0 目標的清晰路徑：在大幅削減計算成本、進而降低能耗的同時，不必犧牲預測效能。該論文提供了 PDF、實驗性 HTML 及 TeX 原始碼等全文獲取方式，DOI 為 10.48550/arXiv.2610.30228。