缺乏工艺数据的多模态模型会产生哪些风险?

大家现在聊多模态模型，第一反应都是“它能看图又能读文字，搞工业质检肯定比传统视觉强”。但真正落地过的人都知道，一个缺了工艺数据的多模态模型，表面上分析得头头是道，实际上可能比只看图的模型更让人头疼。它的问题不在识别，而在解释。

模型说“这是划痕”，大家都能接受。但模型说“这划痕可能是工装夹具抖动造成的，建议检查刀片寿命”，如果它背后没有关联当时的工艺参数、设备状态和物料批次，这句话听起来专业，其实只是“作文”。质量人员拿到这种原因，很难判断该不该信，更不敢直接拿去改工艺。更麻烦的是，归因如果错了，会把人往错误的方向引导，浪费大量排查时间，最后发现模型只是“说圆了”，但没对上实际生产机理。

另一个容易被忽视的风险，是模型对缺陷容忍标准的无知。车间里同一种痕迹，出现在外观件上是报废，出现在结构件上可能只是降级处理。通用多模态模型没有内置你们产线的放行标准，它用互联网语料训练出来的“常识”，很容易把临界品误判为严重不良，或者反过来。一旦上线，产线会觉得这个系统频繁给出脱离实际的解释，信任度会迅速下降。

最大的隐患其实来自“看似合理”的归因。缺工艺数据的模型，遇到新缺陷时，因为没有历史映射和规则约束，会用通用逻辑拼凑一个听起来没问题的原因。质量人员如果盲目采信，可能把维修方向搞偏，把本来不是问题的环节排查一遍，最后发现白忙。这种“甩锅式”分析，在项目初期最容易出现，而且很难一眼看出来。

所以，判断一个多模态模型能不能用，不是看它是不是比传统视觉更“聪明”，而是看它背后有没有对应的异常样本库、根因规则和人工复核流程。没有工艺数据兜底，模型越能说，风险反而越大。不是它不努力，而是它不知道你们车间真正在意的那些细节。