我们提出 FEAR，一个快速、高效、准确且鲁棒的孪生视觉追踪器家族。我们引入了一种新颖且高效的双模板表示方法，用于目标模型自适应，仅通过一个可学习参数即可融合时序信息。此外，我们通过引入像素级融合模块进一步优化了追踪器架构。通过将上述模块与先进的骨干网络相结合，FEAR-M 与 FEAR-L 追踪器在多个学术基准测试中，同时在精度与效率方面超越了绝大多数现有孪生追踪器。在采用轻量级骨干网络的优化版本 FEAR-XS 中，其追踪速度比当前主流孪生追踪器快超过 10 倍，同时保持了接近当前最先进水平的性能。相较于 LightTrack，FEAR-XS 追踪器体积缩小 2.4 倍，速度提升 4.3 倍，且精度更优。此外，我们拓展了模型效率的定义，提出了 FEAR 基准，用于评估追踪器的能耗与执行速度。实验表明，能耗是移动端追踪器性能的关键限制因素。项目源代码、预训练模型及评估协议已开源，详见 https://github.com/PinataFarms/FEARTracker。