يتحدى الباحثون الافتراض القائل بأن النماذج الكبيرة ضرورية للتعرف عالي الجودة على المشاعر متعددة الوسائط (MER) من خلال اقتراح Light-MER، وهو إطار عمل خفيف الوزن ينقل المعرفة من معلم كبير إلى طالب دون المليار معلمة عبر التقطير.
تقدم الطريقة استراتيجيتين للتحسين: فقدان النقل الأمثل الذي يجمع بين مسافة Wasserstein المقطوعة ومحاالة الحالات المخفية، واستراتيجية المكافآت المتعددة المستندة إلى GRPO لموازنة الأداء والكفاءة. تُظهر التجارب الواسعة على تسع مجموعات بيانات مرجعية أن Light-MER يحقق أداءً في ذروة الحالة السائدة مع تحسين كفاءة الاستدلال بشكل كبير للمنصات ذات الموارد المحدودة.
تسلط هذه الدراسة الضوء على الإمكانات القوية للنماذج اللغوية الصغيرة متعددة الوسائط للمشاعر للبحث المستقبلي، مما يتيح توليد أوصاف قابلة للتفسير دون التكاليف الحسابية العالية للنماذج الأكبر.