FloodReasonBench：面向边缘洪灾响应的VLM推理分割基准

FloodReasonBench是面向边缘设备上的洪灾响应任务、评估视觉语言模型推理分割能力的基准。它引入了从真实场景构建的FloodResponseSeg数据集，并在NVIDIA Jetson AGX Xavier上评估了轻量视觉编码、分层推理分割和压缩中间表示。结果显示，任务准确率随分区变化明显，而洪灾适应后的工作负载设计空间准确率范围更紧凑，同时揭示了准确率与边缘延迟、能耗及通信开销之间的权衡。

现有推理分割基准多面向通用视觉场景，忽略了洪灾响应平台面临的领域与资源约束。FloodReasonBench首次针对洪灾场景和边缘资源限制提供系统级基准，填补了这一空白，使研究者能够量化评估边缘设备上的性能与资源权衡。

VLM通过推理分割将语言请求映射到像素级区域，但边缘设备算力有限。该基准通过分层推理分割和压缩中间表示，在边缘侧执行任务，并测量不同系统设计下的准确率、延迟、能耗和通信量。分区间的准确率差异表明工作负载分配对性能影响显著。

对开发洪灾应急响应产品的团队，该基准可直接用于评估边缘VLM方案的可行性与成本。它将促使产品设计在推理精度与边缘资源消耗之间做出更明确的取舍，优化模型部署及硬件选择。

• 采用FloodReasonBench对现有VLM推理分割系统进行边缘性能测试，识别适合洪灾场景的部署配置。
• 基于基准中的权衡数据，优化边缘设备上的模型压缩与分层推理策略，降低延迟和能耗。
• 根据分区准确率差异，开发动态工作负载分配算法，提升自适应能力。
• 为应急响应平台设计质量约束下的边缘运行点选择工具，辅助硬件选型。

• 基准的具体评价指标和数据规模未在摘要中详述，需查阅全文确认。
• FloodResponseSeg数据集的规模、覆盖场景类型尚不清楚。
• 与其他现有基准的性能对比数据未提供，难以评估其相对优劣。
• 边缘延迟、能耗、通信的量化数值范围未给出，影响实际可操作性。