多模态情绪识别未必需要 7B：Light-MER 把能力蒸馏到十亿参数以内

多模态情绪识别需要同时理解视频、音频和语言，但通用 7B 级模型很难在机器人或移动设备上实时运行。Light-MER 直接挑战“大模型才有高质量情绪理解”的假设，将教师模型的能力迁移到十亿参数以内的学生模型。

不只模仿答案，还要对齐表示与目标

方法包含两项训练设计。第一项把切片 Wasserstein 距离与隐藏状态对齐结合，用最优传输视角缩小教师和学生的内部表示差异。第二项采用多奖励 GRPO，在情绪识别能力与推理效率之间共同优化，而不是只追逐单一准确率。

作者在九个基准数据集上实验，报告 Light-MER 达到当前最佳水平并显著提高推理效率，论文同时提供代码。这里的结果针对多模态情绪理解这一专门任务，不能解释为十亿参数模型普遍替代 7B 通用多模态模型。

专用小模型可以减少延迟、显存和数据出端需求，适合车载交互、机器人反馈与本地会议分析。工程团队可把通用大模型留在离线教师或困难样本回退路径，让学生模型承担稳定、高频的分类和描述任务。

情绪标签也高度依赖文化、语言和场景，九个基准上的平均结果不能替代目标人群评测。部署还应分开检查各模态缺失、噪声、群体差异和置信度校准，避免把推断出的情绪当作确定事实。

Light-MER 说明参数效率来自任务聚焦与有结构的蒸馏，而不是简单缩小网络。对边缘 AI，更可行的路线往往是“强教师训练专用学生”，但产品价值最终取决于真实设备的延迟、能耗和跨人群可靠性。