在线又剪枝又微调：OnDA 把个性化关键词识别的架构也拿到端上改

英文题目：OnDA: On-device Channel Pruning for Efficient Personalized Keyword Spotting

会议身份：conference:interspeech:2026:conference-paper-id:risso26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#模型剪枝 #高效推理 #端侧运行 #关键词检测

评分：6.4/10 | 创新 1.3/2 | 技术严谨 1.2/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.2/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Matteo Risso：机构信息未能从会议 PDF 纯文本可靠映射
• Alessio Burrello：机构信息未能从会议 PDF 纯文本可靠映射
• Daniele Jahier Pagliari：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

个性化关键词检测需把端侧连续音频映射为指定关键词存在性判决，难点是目标关键词在预训练阶段未见、说话人与声学环境偏移叠加，且部署后只能依赖少量用户正例和伪标签在线适配。离线预训练原型网络学习音频嵌入空间，用户校准计算关键词原型并用双阈值距离生成域内伪标签集合。在线阶段先用域内伪标签数据的Hessian感知准则做结构化通道剪枝，剪枝输出的紧凑架构直接作为后续微调与推理的模型骨架。伪标签三元组微调补偿剪枝精度损失并适配权重，适配后模型部署端侧执行常开推理。与纯离线剪枝的关键差异是在微调前用部署域伪标签估计通道重要性，使架构选择与权重适配同分布，从而缩短后续微调并降低推理负担。在HeySnips评测设置下，OnDA在等准确率性能下相对ResNet15基线的压缩率为3.33×，低于相对DS-CNN-L基线的压缩率9.63×。在Jetson Orin Nano硬件部署中OnDA-1以更小架构显著降低微调与推理延迟与能耗，其适用边界受限于所测两套语料与出发架构，强噪声、重叠语音与长期漂移场景尚未验证。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

常开关键词识别为什么必须在端上适应？

输入是麦克风连续采集的音频流，目标是在极低功耗下实时检出特定唤醒词或命令，例如 HeySnips 与 HeySnapdragon 中的目标短语。必须保留的信息是评估工作点固定为每小时 0.5 次误报下的准确率，模型大小用参数量衡量，部署成本用 Jetson Orin Nano 上的延迟与能耗衡量。本文输出是一套可复述的端上流程：先离线预训练，再用少量用户示例校准，然后用伪标签做端上微调，并在此链条中插入结构化通道剪枝。

对刚入门的研究生，白话是这样：实验室训好的模型到你家会水土不服，因为说话人、口音、房间混响和底噪都变了。常开设备又不能把音频都传云端重训，也不能让用户大量标注。于是需要个性化，也就是只用用户提供的几个正例加设备听到的无标注音频，自己给自己造监督信号再微调。论文的出发点是只调权重不够彻底，因为不同关键词与声学条件下值得保留的网络宽度也不同，所以要把架构调整也搬到端上。

学习依赖是先理解任务与评价，再理解基线自学习链条，再理解两种剪枝准则与两种插入时机，最后看压缩与端上代价的联合结果。修辞上不需要拔高，关键是每一步的数据来源、冻结与更新对象和监督真假都要能说清。

已有路线各自解决了什么，还缺哪一块？

同输入同目标的第一条路线是端上个性化关键词识别。原文沿用的基线来自 Rusci 等人的自学习流程，用原型网络做少样本开放集识别，用伪标签加增量梯度微调适应新关键词与新说话人。另一条相关路线是声学域适应，例如在变化噪声下做端上域学习，它适应的更多是环境而非特定用户与关键词。两条路线共用在设备上用小数据做梯度更新的约束，但监督都不是人工硬标签。

同运行阶段的第二条路线是边缘关键词识别的模型优化，包括紧凑卷积结构、量化、剪枝与硬件感知架构搜索。论文选择结构化通道剪枝，理由写得很明确：剪掉整个输出通道后模型仍是稠密小结构，现有训练与推理设施可直接加速省电，而非结构化细粒度稀疏需要专用运行时或硬件才能兑现收益。代表性数据感知方法是 Hessian 感知剪枝，用 Hutchinson 方法高效估计 Hessian 迹，以 2 阶敏感度衡量通道重要性，在低数据时更具数据效率。

缺的一块是架构优化此前只被当作离线预部署步骤。论文的判断是让权重适应的分布偏移同样会改变好架构，因此提出首次把在线训练与在线结构化剪枝耦合。教学上不要把类别差异当同条件胜负：紧凑架构与量化解决的是离线效率，原型自学习解决的是在线权重适应，OnDA 解决的是在线权重加架构联合适应，三者输入、监督与运行阶段不同。

论文把什么写成了可验证的研究问题？

论文把直觉落成一个非平凡问题：用更贴合现场分布的域内数据做剪枝更好，还是用离线大数据做剪枝更好？非平凡之处在于域内数据质量更对版但数量更少，且微调依赖伪标签而非硬真值，剪后恢复精度的弹药不足。原文明确总结了这一权衡，并把它变成两条可运行管线的对照。

具体做法是固定基线链条，再定义 3 个可插入剪枝的时刻。P 是标准离线剪枝，用预训练数据决定剪谁并微调。O1 是在线剪枝放在权重适应之前，数据感知准则与微调都用伪标签集。O2 是在线剪枝放在权重适应之后，数据无感准则先等权重吸收域内信息再剪，剪后必须再重复 1 次微调。P 与 O1、O2 正交，可以先离线压缩再在线压缩。由此得到 OnDA-1 与 OnDA-2 两条完整管线。

要验证的结论有两个层次。精度与大小层次看域内剪枝是否在帕累托前沿上优于离线剪枝与仅调权重基线。部署代价层次看剪枝放微调前还是后更省端上时间与能量。论文没有承诺所有尺寸都赢，也没有测量误判之外的用户体验指标，这些边界后文按证据保留。

基线链条与 OnDA 两条管线如何串起来？

先沿一个样本走完全程有助于建立全景。一段待测音频先被切成短时片段送入嵌入网络得到向量，系统计算该向量到关键词原型的欧氏距离，若小于下阈值判为伪正例，若大于上阈值判为伪负例，中间模糊带直接丢弃。被保留的伪标签样本组成域内微调集，用于三元组损失的端上训练。最终模型仍是同一个嵌入网络加原型比较器，只是权重与通道数都已按当前用户改过。

导读图 1 时请把注意力放在时间轴与支路汇入点上，上方是基线主链，下方是剪枝支路，底部两行小方块直接给出两种执行顺序，这是理解后文代价差异的关键。

看图路径： 1. 先从左到右区分红色离线段与绿色在线段的时间顺序；2. 再看 B1、B2、B3 基线主链与下方 P、O1、O2 剪枝支路的汇入位置；3. 最后对照底部 OnDA-1 与 OnDA-2 的方块序列确认剪枝在微调前还是后

论文图 1。原论文 Figure 1：“BASELINE and ONDA pipelines steps.”。

图 1 显示上方红色为离线阶段，下方绿色为在线阶段。主链从左到右是 B1 预训练、B2 校准加伪标签、B3 端上训练，最后指向最终模型。下方 P 离线剪枝加微调与 B1 并列，O1 在线剪枝插在 B2 与 B3 之间，O2 在线剪枝加重复 B3 跟在 B3 之后。底部标注 OnDA-1 顺序为 B1、可选 P、B2、O1、B3，OnDA-2 顺序为 B1、可选 P、B2、B3、O2。双向小箭头表示剪枝与相邻步骤之间有微调恢复精度的往返。该图支持后文一句话：OnDA-1 先变小再训练，OnDA-2 先训练再变小又再训练。

嵌入、原型与双阈值伪标签如何分工？

嵌入网络的白话是声音指纹提取器，英文为 embedding network，记为 f，输入音频片段输出 d 维向量。原型网络的白话是类别均值表示法，英文为 Prototypical Network，缩写 ProtoNet，它不学固定分类头，而是把用户提供的 M 个正例的嵌入取平均得到原型向量 p。推理时只算待测嵌入到 p 的欧氏距离 d，距离小即认为更像目标关键词。

伪标签自学习 × 结构化通道剪枝： 伪标签自学习负责解决分布偏移后的监督来源问题，它用少量用户示例建原型再给未标注音频打伪标签并做梯度微调；结构化通道剪枝负责解决同一偏移下的架构效率问题，它整通道删除卷积输出并联动删后层权重得到稠密小模型；二者搭配的理由是剪枝准则与微调都可以用同一批域内伪标签数据驱动，组合后 1 次端上流程同时得到更贴合当前关键词与声学条件的权重和通道数。

校准加伪标签阶段的动作是具体的。部署后目标用户给出少量未见类正例集合 E，系统先算原型。随后对流入音频按双阈值规则打伪标签：小于等于下阈值记伪正，大于等于上阈值记伪负，介于两者之间丢弃。阈值按基线文献方法校准。得到的伪标签集记为 Dft，用于后续端上训练。原文未报告阈值具体数值与每用户伪标签正负比例，复现时只能沿用基线超参数并记录丢弃率。

原型网络 × 三元组损失： 原型网络负责把一段音频映射为嵌入向量并用类均值向量表示关键词，推理时只比较欧氏距离；三元组损失负责在训练时拉近同类嵌入、推远异类嵌入并保留间隔；二者搭配是因为开放集个性化关键词在预训练时未见过，无法依赖固定分类头，而原型加三元组损失让预训练、校准和端上微调都统一在嵌入距离上操作。

预训练与微调共用三元组损失。每个三元组取两个同类正样本与一个异类负样本，目标是让两正例距离比正负距离至少小一个间隔。原文给出间隔超参数为正数，但未在本证据中给出具体取值。需要区分的是预训练用多类多说话人大规模标注集的有监督三元组，端上训练用 Dft 的伪标签三元组，监督来源从硬真值变为有噪伪标签，这是理解压缩后恢复能力受限的关键。

两种剪枝准则在算什么，何时插入？

结构化通道剪枝的白话是一整条通道连根拔掉，英文为 structured channel pruning。给定某卷积层输出通道 c，剪掉它意味着删除产生该通道的卷积核切片以及后层对应的输入权重。所有层的通道放在一起全局打分，按目标压缩比去掉分数最低的通道。压缩比定义为剪后总权重与剪前总权重之比，离线与在线阶段分别尝试 25%、50% 等档位，在线还试 75%。

数据无感剪枝 × 数据感知剪枝： 数据无感剪枝只看权重统计量，例如通道权重的 L1 范数，分小即认为不重要；数据感知剪枝还要看数据激发的损失曲面，例如 Hessian 迹加权的通道敏感度，移除后 2 阶损失增量大即认为重要；OnDA 把前者放在微调后、后者放在微调前，正是因为无感方法需要先让权重统计量吸收域内信息，而感知方法可以直接用域内伪标签数据算出损失敏感度从而先缩小模型再微调。

数据无感方法用全局 L1 范数，通道分数为其核切片所有元素绝对值之和，分数小则剪。数据感知方法用 Hessian 感知剪枝，通道分数正比于该通道 Hessian 迹乘以权重平方 L2 范数再除以通道参数量，迹用 Hutchinson 随机向量估计，代价类似 1 次梯度反传。直觉是 magnitude 只看权重大小，Hessian 还看删掉该通道会让任务损失 2 阶上升多少，在低数据时更值得。原文把 L1 配给 OnDA-2，把 HAP 配给 OnDA-1 与离线 P。

离线剪枝 × 在线剪枝： 离线剪枝负责在部署前用预训练大数据决定剪哪些通道并恢复精度；在线剪枝负责在部署后用现场伪标签数据重新决定剪哪些通道；二者正交搭配的理由是离线压缩提供起点，在线压缩再按当前说话人与关键词做 2 次取舍，论文比较了直接微调离线小模型与在线再剪枝，支持域内 2 次剪枝更有效。

插入逻辑紧扣准则的数据依赖。HAP 需要损失曲面，可直接用域内伪标签数据在微调前算敏感度，因此能先剪后训，让后续微调本身就在小模型上跑。L1 不看数据，只看权重统计量，若在微调前剪则统计量还是离线旧分布，必须先微调让权重吸收域内信息再剪，剪后精度掉了还得再训 1 次。这就解释了后文部署图中 OnDA-2 多出一段高功耗的 2 次适应。

端上训练到底更新什么，用什么监督？

训练分为离线与在线两段，监督来源不同。离线预训练在 MSWC 大规模多类多说话人集上用三元组损失训练嵌入网络，得到可迁移的通用嵌入。离线剪枝后的微调仍用同一预训练数据，只是架构已变小，需要恢复精度。在线阶段先用少量用户正例建原型并校准阈值，再用伪标签集做端上微调，损失仍是三元组损失，只是正负对来自伪标签。

参数更新对象是嵌入网络权重，原型向量在推理时由嵌入均值算出，不作为梯度参数。原文保留基线训练与适应超参数，除非另有说明；总训练轮数在比较基线与 OnDA 时保持相同，因此部署时间与功耗差异只来自架构大小不同。未报告的缺项要明确指出：证据未给出学习率、优化器、批量大小、轮数与三元组采样细节，也未说明批归一化统计量与原型是否在剪枝前后重置，复现时不能从 ResNet15 或 DS-CNN 名字推定这些实现，只能先沿用基线代码的默认配置并记录。

梯度路径上不要猜测。原文只说形成三元组并用三元组目标微调，未说明是否对原型或阈值停止梯度，也未给出 Hessian 估计的具体批量与随机向量数。教学例子是：若把伪标签当真值，噪声会同时污染剪枝打分与微调梯度，HAP 在微调前剪枝能省时间，但也把噪声提前引入架构决策，这是域内剪枝优劣并存的根源。

数据、划分、基线与指标如何保证可比？

数据按原文交代：预训练用大规模 MSWC，评估用 HeySnips 与 HeySnapdragon。每个数据集切分为适应集与不相交测试集，适应集用于构建伪标签集，测试集只在自学习与模型适应前后做评估。沿用基线文献的被试划分，对每个被试独立跑一条管线，最后跨被试平均。不同于基线，本文每个实验重复 3 个随机种子，图上误差条为跨种子的最小到最大值，标记点为均值。

模型基线包括 ResNet15 与 DS-CNN-L 等，OnDA 重点作用于最大且最准的 ResNet15 与 DS-CNN-L，以及它们的离线剪枝版本。离线剪枝比取 25% 与 50%，在线剪枝比取 25%、50% 与 75%。指标方向要记牢：横轴模型大小越小越好，纵轴在误报每小时 0.5 下的准确率越高越好，比较必须在等任务性能下谈压缩，或在等大小下谈精度。

部署条件是 NVIDIA Jetson Orin Nano，同时测 GPU 与多核 CPU，用板载电流传感器测系统芯片电流得到功率。分析对象是左图 HeySnips 上等精度压缩最好的两个点，它们精度与大小相近但分别来自 OnDA-1 与 OnDA-2，便于隔离剪枝时机的代价。推理次数用 n 表示，因为实际常开系统会在输入能量过低时跳过推理，不宜直接换算为 wall-clock 时间。资源状态方面，本次未发现来源绑定且完成验证的资源，不得声称代码、模型或数据已公开，正文提到的仓库链接当前不可用，复现应以论文文字与基线代码为准。

等精度下压缩与帕累托前沿说明了什么？

比较问题是：在相同误报约束的准确率下，OnDA 能否比仅调权重的基线与仅离线剪枝的模型更小？公平条件是同一数据集、同一被试划分、同一伪标签构建与微调轮数、同一评价集，指标方向是纵轴越高越好、横轴越小越好。图 2 把不同架构家族用颜色区分，离线剪枝比用形状区分，管线用填充图案区分，黄色虚线连起基线，红色虚线为帕累托前沿，半透明点为非帕累托点。

导读图 2 时先确认坐标与图例，再沿红色前沿从右向左看压缩如何换精度，最后注意绿色圈出的两个部署点，它们是后文能耗对比的起点。

看图路径： 1. 先看横轴模型参数量与纵轴 0.5 误报每小时下准确率的定义；2. 再按颜色区分 ResNet15 与 DS-CNN 系列，按形状区分离线剪枝比；3. 最后沿红色帕累托虚线找最左上方的实心高亮点与黄色基线点的差距

论文图 2。原论文 Figure 2：“Pareto fronts for personalized KWS under different OnDA pipelines compared with baseline [3].”。

图 2 左右两板分别为 HeySnips 与 HeySnapdragon。横轴为参数量，纵轴为误报每小时 0.5 下的准确率百分比。橙色 ResNet 家族贡献了多数帕累托点，说明从大模型起步再剪更灵活。HeySnips 上最优点相对最准 ResNet15 实现约 3.33×压缩，相对 DS-CNN-L 实现约 9.63×且精度更高；HeySnapdragon 上相对 ResNet15 的最佳压缩约为 1.7×。

两条 OnDA 管线在精度对大小的前沿上没有一方全面压倒另一方，多次各有帕累托点，因此选择依据要看下一节的部署代价。未胜出项也要保留：仅离线剪枝的空心虚边点多落在前沿下方，说明直接微调离线小模型不如域内再剪枝。

误报每小时 × 等任务性能压缩： 误报每小时负责固定工作点，它把连续音频流的误触发归一化为每小时 0.5 次下的准确率；等任务性能压缩负责固定该准确率再比较模型大小；二者搭配是因为关键词识别不能只比裸准确率，必须在相同误报约束下谈压缩，否则用放宽误报换来的小模型没有部署意义。

下表把核心压缩数字整理为可核对的形式，单位与倍率保留原文写法，条件列标明数据集与基线对象，避免把不同基线下的倍率混为一列。

表后解释需要同时讲收益与代价。收益是小尺寸区域前沿明显外推，尤其 HeySnips 上用 ResNet 起点 2 次剪枝可同时更小更准，支持域内数据决定架构的判断。代价与限制是 HeySnapdragon 的压缩幅度小得多，说明关键词与声学条件改变了可剪空间；且前沿点依赖伪标签微调恢复精度，样本少加标签噪使大压缩比下误差条变宽。不能把末步最优点推广为全程任意压缩比都赢，也不能把准确率提升解读为误报率已单独改善，因为工作点已固定。

剪枝放在微调前还是后，端上代价差在哪里？

比较问题是：输出模型大小相近时，OnDA-1 先剪后训与 OnDA-2 先训后剪再训，哪条在端上更快更省电？公平条件是同一超参数与总训练轮数、同一部署板卡与测量方法，指标方向是单步微调与单次推理的延迟与能量越低越好，累计节省能量越早转正越好。图 3 上排为功率随时间曲线，下排为相对基线的累计节省能量，左列 OnDA-1，右列 OnDA-2。

导读图 3 时先看上排各阶段持续时间与功率高度，再看下排节省曲线何时穿过零线，最后对比左右两列回本点所需的推理次数。

看图路径： 1. 先对照上排功率随时间曲线中基线虚线与 OnDA 实线的高度与持续长度；2. 再看下排累计节省能量曲线何时由负转正以及阴影颜色含义；3. 最后比较左侧 OnDA-1 与右侧 OnDA-2 回本所需的推理次数差异

论文图 3。原论文 Figure 3：“On-device latency measurements on Jetson Orin Nano for GPU and CPU deployment.”。

图 3 面板 a 与 c 显示 OnDA-1 先有一段剪枝开销使累计节省为负，但随后因模型变小，适应阶段功率低于基线且持续时间从基线长度缩短到约 93 秒量级，待机后每次推理功率也更低，累计节省迅速转正并随推理次数线性增长。面板 b 与 d 显示 OnDA-2 先完整跑 1 次大模型适应约 157 秒，再跑剪枝加 2 次适应，累计节省在很长一段为大的负值，文中称回本点在 105 次推理之后。像素上可见 OnDA-1 推理段绿色实线低于红色基线虚线，而 OnDA-2 推理段蓝色实线同样低于基线，说明最终模型都更省，但过程代价不同。原文据此判断数据感知预微调剪枝是更优的端上做法。

下表整理部署相对收益，全部为相对仅调权重基线的倍率，数值与单位保留原文斜杠写法，不自行换算为百分比。

表后解释要讲清取舍。OnDA-1 的优势在适应段，剪枝虽贵但 1 次，后续每步都便宜；OnDA-2 的最终推理模型有时更小因而单次推理倍率更高，但 2 次适应拖累总能量。反例是若只看单次推理延迟会误以为 OnDA-2 更好，而计入端上全流程则 OnDA-1 更早回本。未评测边界是原文未给出剪枝本身在 CPU 上的细粒度耗时拆分，也未评估跳过推理策略下不同 n 分布的期望总能量，复现时应补测。

哪些结论有边界，什么还没有被证明？

论文直接报告的是压缩倍率与 Jetson 上的延迟能量倍率，支持的是域内剪枝一般优于离线剪枝、数据感知先剪更省端上成本。有限解释是 Hessian 2 阶敏感度在低数据时更有效，这有低数据直觉与前沿结果支持，但未做剪枝准则的系统消融以分离数据量、伪标签噪声与准则本身的贡献。未验证推测是把 OnDA 扩展到非结构化或半结构化剪枝，原文只说原则上可行且需硬件支持，没有实测。

缺失证据不是技术错误，但要明确。原文未报告伪标签精度、阈值校准细节、每用户适应集大小、剪枝批数据量与 Hutchinson 采样数，也未报告统计显著性检验。相关性不等于因果：ResNet 起点多占前沿可能既因为容量大可剪空间大，也因为其残差结构更耐剪，证据不足以断言大模型起点总是更优。总体趋势不等于每组都成立，HeySnapdragon 压缩幅度明显小于 HeySnips，说明结论随关键词与声学条件变化。

成本讨论要分开。训练资源指端上微调时间与能量，推理开销指每次唤醒检测的延迟能量，输出帧率与实际延迟是两回事，跳过低能量帧会改变 n 到时间的映射。未测量长期误触发对用户体验的影响时，不承诺这些量得到改善。

要复现这套流程，第一步先做什么？

复现先做基线再加剪枝。第一步按基线文献在 MSWC 上预训练 ResNet15 与 DS-CNN-L 原型嵌入，用三元组损失，保留学习率与采样代码的默认值并记录。第二步为每个被试用少量正例建原型并校准双阈值，生成伪标签集并统计正负数量与丢弃率。第三步先复现仅调权重基线在 HeySnips 与 HeySnapdragon 上误报每小时 0.5 下的准确率，作为等精度比较的锚点。

第四步再加入剪枝。离线 P 用预训练数据按 25% 与 50% 剪并微调，在线 O1 用伪标签数据算 HAP 分数后按 25%、50%、75% 剪再微调，在线 O2 先微调再按 L1 剪后重复微调。每次剪后都要记录参数量、准确率、单步延迟与功率。关键超参数与信息条件是压缩比档位、总训练轮数保持一致、随机种子重复 3 次并报告最小最大区间。

代码与权重状态要如实写。本次未发现来源绑定且完成验证的资源，不得声称代码、模型或数据已公开，文中仓库链接当前不可用，因此复现应基于论文文字与基线自学习代码自行实现 HAP 与 L1 全局通道打分。还需补的验证是伪标签精度对剪枝决策的影响、不同在线剪枝比下的误差条、以及 CPU 与 GPU 两端的完整功率 trace，以便与原文回本点对照。

何时值得尝试 OnDA，何时不必？

当设备已在跑原型加伪标签的个性化关键词识别，且现场说话人与环境明显偏离实验室条件时，值得尝试 OnDA。尤其当端上微调时间与推理能耗成为瓶颈，而离线小模型直接微调精度不够时，用域内伪标签先做 1 次数据感知结构化剪枝，再在小模型上微调，往往能以更小的模型保住等精度并更快回本。ResNet 这类大起点在论文中提供更大的 2 次剪枝空间，可作为首选起点。

当标注数据充足且可离线重训，或硬件已支持细粒度稀疏加速时，不必照搬本文的在线通道剪枝。可以先做充分的离线压缩与量化，或改用非结构化方案。同样，若伪标签质量很差或适应集极小，在线剪枝的架构决策噪声会放大，此时应先改善阈值校准与伪标签过滤，再谈压缩比。

特有的误解需要澄清。第一，压缩倍率都是等任务性能下的比较，不是任意阈值下的裸精度比较，换工作点倍率会变。第二，OnDA-2 单次推理更快不等于全流程更省，2 次适应的能量必须计入。第三，结构化剪枝省的是可直接兑现的稠密计算，而非参数量数字本身，部署结论依赖 Jetson Orin Nano 的实测，不能直接搬到微控制器。记住这三点，就能把论文读成可操作的工程选择。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总