El aumento exponencial de las plataformas de comercio electrónico ha resultado en un aumento dramático de las reseñas en línea, lo que crea un desafío para distinguir las reseñas falsas que erosionan la confianza del consumidor y perjudican los ecosistemas comerciales. Los enfoques tradicionales para la detección de reseñas falsas emplean redes de aprendizaje profundo computacionalmente costosas que son intensivas en recursos y difíciles de usar en la práctica. En este documento, describimos AdaptiveNet, una nueva arquitectura neuronal ligera que logra la detección de reseñas falsas con recursos computacionales mucho más bajos, manteniendo una mayor precisión en la detección y clasificación. El modelo propuesto en este documento se basa en tres innovaciones originales: una capa de Fusión Semántica Multi-escala (MSSF) para la extracción jerárquica de características, Escalado de Atención Dinámica (DAS) con atención de medida de complejidad, y Redes de Contexto con Compartición de Parámetros Adaptativa (APS). Con una evaluación exhaustiva en conjuntos de datos de reseñas de Amazon, Yelp y TripAdvisor que totalizan 1.2 millones de reseñas, AdaptiveNet alcanza una precisión del 94.8% mientras logra un 65% de sobrecarga computacional en comparación con modelos tradicionales. La arquitectura superó a todos los demás modelos de vanguardia, BERT-base (92.1%), RoBERTa (91.8%) y otros modelos eficientes más recientes, requiriendo un 70% menos de parámetros y un 60% menos de consumo de energía. Este trabajo avanza notablemente las otras arquitecturas de aprendizaje profundo eficientes para la clasificación de texto y permite la implementación práctica de sistemas de detección de reseñas falsas en entornos con recursos limitados como innovación de proceso.