光流估计是一项具有挑战性的任务，旨在预测图像间每个像素的运动向量。近年来，许多方法通过采用更大、更复杂的模型来提升估计精度，但这在一定程度上限制了光流算法的广泛应用，同时也增加了训练通用模型的难度，因为高质量的光流数据难以获取。本文提出了一种小型且高效的光流估计模型。我们设计了一种新型的空间递归编码器，能够在显著减小模型规模的同时提取具有判别性的特征。与传统的循环单元不同，我们引入了部分核卷积（Partial Kernel Convolution, PKConv）层，仅通过一个共享模块即可生成具有可变多尺度特性的特征。此外，我们还设计了高效的可分离大核（Separable Large Kernels, SLK），在计算开销极低的前提下捕捉大范围上下文信息。在多个公开基准测试中的实验结果表明，我们的方法在保持极低参数量和内存占用的同时，实现了当前最先进的泛化性能。在Spring基准测试中，无需微调即可排名第一，性能提升超过10%，且所需浮点运算次数（FLOPs）比次优方法少一个数量级，内存占用也减少了四倍以上。