Para peneliti menantang asumsi bahwa model besar diperlukan untuk pengenalan emosi multimodal (MER) berkualitas tinggi dengan mengusulkan Light-MER, sebuah kerangka kerja ringan yang mentransfer pengetahuan dari guru besar ke siswa sub-miliar parameter melalui distilasi.
Metode ini memperkenalkan dua strategi optimisasi: kerugian transportasi optimal yang menggabungkan Jarak Wasserstein Teriris dengan penyelarasan keadaan tersembunyi, dan strategi multi-hadiah berdasarkan GRPO untuk menyeimbangkan kinerja dan efisiensi. Eksperimen ekstensif pada sembilan dataset benchmark menunjukkan Light-MER mencapai kinerja state-of-the-art sambil secara signifikan meningkatkan efisiensi inferensi untuk platform dengan sumber daya terbatas.
Karya ini menyoroti potensi kuat model bahasa emosi multimodal kecil untuk penelitian di masa depan, memungkinkan generasi deskripsi yang dapat diinterpretasikan tanpa biaya komputasi tinggi dari model yang lebih besar.