我们提出了最新一代MobileNets——MobileNetV4（MNv4），其专为移动设备设计了通用高效的架构。核心创新在于引入了通用倒置瓶颈（Universal Inverted Bottleneck, UIB）搜索模块，这是一种统一且灵活的结构，融合了倒置瓶颈（Inverted Bottleneck, IB）、ConvNeXt、前馈网络（Feed-Forward Network, FFN）以及一种新型的深度可分离卷积变体——额外深度可分离卷积（Extra Depthwise, ExtraDW）。 与此同时，我们提出了专为移动加速器优化的Mobile MQA注意力模块，在保持高性能的同时实现了高达39%的推理速度提升。此外，我们还设计了一套优化的神经架构搜索（Neural Architecture Search, NAS）方法，显著提升了MobileNetV4的搜索效率与质量。 通过将UIB、Mobile MQA与优化后的NAS策略相结合，我们构建了一套全新的MNv4模型系列，其在移动CPU、DSP、GPU，以及专用加速器（如Apple Neural Engine和Google Pixel EdgeTPU）上均表现出接近帕累托最优（Pareto optimal）的性能表现——这一特性在当前测试的其他模型中尚属首次。 为进一步提升模型精度，我们提出了一种新颖的蒸馏技术。在该技术的加持下，我们的MNv4-Hybrid-Large模型在ImageNet-1K数据集上达到了87%的准确率，且在Pixel 8 EdgeTPU上的运行时间仅为3.8毫秒，充分体现了其在精度与效率之间的卓越平衡。