EDGE · 边缘侧
≈ 5 MB
筛选代表性漂移样本
四路摄像头只上传能代表当前漂移的无标签片段，减少无效数据传输。
01 / PROJECT FILM · 项目宣传片
从一次识别漂移，看见端—边—云如何协同
宣传片以多路摄像头追踪同一车辆为主线，直观呈现边缘感知、漂移发现、云端知识蒸馏与 Adapter 下发恢复的完整过程。
02 / LIVE SYSTEM REPLAY · 系统回放
十五秒，拆解一次端—边—云闭环
仓库记录的前台端到端时延约为 92–111 ms（含 Adapter 下发的网络仿真口径）；本页将异步流程扩展为 15 秒，仅为清晰展示漂移、调度、上行、蒸馏与恢复阶段，不代表系统真实执行耗时。
MODELNET40 SAMPLE · 演示样本
airplane_0627 · 四视图干净对照
OFFICIAL TEST · 官方测试四视图来自 ModelNet40 官方测试样本 airplane_0627；暗光和噪声对应正式评测条件，运动模糊以多重残影实时生成，仅用于交互视觉演示。右侧百分比为 2,468 条测试轨迹的聚合准确率，不是单样本置信度。
0%完成进度
CORE TECHNOLOGY / KNOWLEDGE DELIVERY · 核心技术 / 知识传递
大模型留在云端，只把适应能力交给边缘
边缘节点发现运动模糊、暗光等场景漂移后，从多路观测中筛选少量有代表性的无标签样本并上传。云端冻结 InternViT-6B 教师模型，用其特征与 Logits 为漂移样本生成监督，只训练约 0.3M 个 AdaptFormer 旁路参数；随后将约 1.2 MB 的 Adapter 包下发到边缘热加载。整个过程不传输 6B 教师模型，也不替换边缘主干与分类头，更新失败时可快速回滚，前台推理无需停机。
CLOUD TEACHER · 云端教师
0.3M
诊断漂移并蒸馏修正能力
残影抑制暗光补偿关键特征增强
冻结的 InternViT-6B 教师分析残影、亮度和细粒度特征，用特征与 Logits 监督 Adapter 学习。
EDGE UPDATE · 边缘更新
≈ 1.2 MB
热加载并恢复稳定识别
主干不下发在线热加载支持回滚
边缘仅替换轻量旁路参数，保留原有模型和业务链路，在不中断推理的情况下适应新场景。
6B 教师留在云端
22M 边缘主干保持冻结
仅更新 0.3M 旁路参数
03 / VERIFIED EVIDENCE · 指标证据
用评分指标组织证据，不堆运行日志
实测仿真
两类场景漂移恢复
BoxCars116k
DRIFT INPUT · 漂移输入 ADAPTED · 识别恢复
ModelNet40
DRIFT INPUT · 漂移输入 ADAPTED · 识别恢复
右图用于呈现干净参考与指标恢复；Adapter 修正识别能力，不执行图像去模糊或去噪。
弱网期间业务保持
90.32%
Markov 断联模式 · 2,468 个时隙
冲突检测与仲裁
4.06%冲突率 / 要求 ≤ 5%
100%解决率 / 要求 ≥ 90%
加权投票贝叶斯融合
前台时延与后台更新分离
EDGE 80 msCOMM
92–111 ms
含 Adapter 前台下发的网络仿真估计；TTFT 需按统一硬件与 batch=1 重测。
04 / TEAM & DELIVERY · 团队与交付
从单点智能，走向全局智能
轻量感知、动态调度、弱网保障与冲突仲裁，共同构成可运行的端—边—云闭环。