物联网在智慧城市、能源管理、环境监测等领域产生大量异构数据，迫切需要高效可扩展的数据标准化方法。智能数据模型（SDM）的准确分类是实现互操作性的关键，但现有方案往往计算开销大，难以在计算资源受限的边缘节点上运行。
本文评估了多种轻量开源语言模型在资源受限环境下，将输入数据实体映射到最匹配的 SDM 表示的能力。实验覆盖通用模型（GP）、推理专用模型（RS）和代码专用模型（CS），在多个领域数据集上进行系统基准测试。结果显示，部分小型模型在保持可接受精度的同时，显著降低了内存和推理时延，满足边缘部署需求。
为填补文献中缺乏轻量、低成本方案的空白，研究进一步将这些模型与两种近零成本的相似度基线——TF‑IDF 和轻量句子编码器——进行对比。基线在极低资源下仍能提供基准性能，帮助量化 LLM 在边缘平台上的实际价值。
综合实验表明，模型选择应结合任务特征、资源预算和期望精度；任务可表述为实体‑模型匹配而非生成式问答；部署策略可采用模型蒸馏或量化以进一步压缩体积。
点评：该工作提供了系统化的评估框架和实用的选型指南，为在边缘设备上使用小语言模型进行智能数据模型分类奠定了基础。