tinyml

用户推荐 MIT 6.5940 Fall 2026 课程《TinyML and Efficient AI Computing》，由 Song Han 团队讲授，涵盖剪枝、量化、蒸馏、神经架构搜索、LLM 量化与部署、扩散模型优化等高效 AI 计算技术。

Lokutor 团队发布 ItoTTS，一个面向 ESP32-S3 芯片的流式英文语音合成引擎，每个语音仅需 4.89 MB 权重、24 kHz 音质，在自动自然度评测中接近 StyleTTS 2 水平，旨在为 $5 的边缘芯片上的本地 LLM 提供语音能力。代码以 GPLv3 开源，权重采用 CC BY-NC-SA 非商用许可。

MIT 6.5940：TinyML 与高效 AI 计算，由 MIT 副教授 Song Han 主讲，已开源全部课件和视频——涵盖模型压缩、TinyML 部署、LLM 与扩散模型加速以及高效训练，包含五个动手实验。

ENAS是一个硬件感知的神经架构搜索框架，能够在没有GPU的CPU上高效运行，为资源受限微控制器上的TinyML模型实现加速和竞争性的准确度。

本文介绍了TGL-NSGA-II，一种用于约束TinyML神经架构搜索中昂贵进化优化的教师指导适应度近似框架，实现了比标准方法更高的效率和可靠性。

本文介绍了一种用于在WeBe Band可穿戴设备上训练和部署机器学习模型的精简流水线，专注于系统级自动化和硬件感知优化，以实现快速迭代和设备端评估，适用于边缘AI应用。

本文介绍了ARGO，一个面向设备上机器学习的智能眼镜平台，该平台集成了多模态传感器套件和优化的YOLOv11模型，用于实时城市障碍物识别，实现了隐私保护的本地处理，具有低延迟和2.483 MB的内存占用。

提出了一种轻量级神经架构搜索方法，直接在部署设备上执行，用于近传感器计算。在sEMG手语和故障诊断数据集上进行了验证，提高了准确率并减少了RAM占用。

本文提出了一种利用边缘智能和TinyML的AI驱动框架，用于智慧城市的能效环境监测，该框架根据时空条件动态激活传感器，以减少能耗并延长传感器寿命。