MIT Han Lab 的 EfficientViT-L2 大幅降低高分辨率视觉 AI 成本
MIT Han Lab 的 EfficientViT-L2 是一种视觉主干网络，用多尺度线性注意力替代 softmax 注意力，使注意力成本随 token 数量大致线性增长，而非平方增长。作者训练的 r288_in1k 检查点（6370 万参数、11.5 GMACs、Apache-2.0 协议）现已通过 timm 提供，可用于分类和特征提取。据称它在 Cityscapes 上比 SegFormer 的 GPU 延迟最多降低 13.9 倍且精度无损，让分割、检测等高分辨率视觉任务的运行成本大幅下降。
报道来源
- Alpha Signal2026-11-06 04:01