大模型提升稀有缺陷检测效率的案例

稀有缺陷最让质检团队头疼的地方，不是它难看见，而是它几乎没机会被“学会”。常规视觉模型擅长抓住训练集中反复出现的问题；可一旦来了罕见的细微划痕、异常毛刺，或者工况一变，模型就可能把真正的风险当成普通纹理。说白了，样本少、变化多，还不能轻易漏检，确实很折磨人。

我觉得多模态大模型最有价值的案例，不是直接取代原有检测模型，而是专门接住这些“灰色地带”。比如传统模型对某个区域判断不够确定时，可以把图像连同“该区域应为镜面抛光”之类的工艺描述交给大模型复核。它看的不只是有没有一条线，还会理解这条线出现在这里是否合理。对于少见却影响很大的缺陷，这种补位真的很关键。

更有意思的是冲压后边缘毛刺的分析。普通系统往往只会给出“有缺陷”；多模态模型则能结合关注区域和工艺背景，指出边缘可能因未完成去毛刺处理而出现裂纹风险。对现场人员来说，这比一个冷冰冰的“NG”更有用：他们不只知道哪里出了问题，还能顺着解释回看工序。

当然，我不会把它吹成万能钥匙。同一张缺陷图，多次调用大模型可能得到“有缺陷”“疑似复核”甚至“未发现明显缺陷”的不同答案。质检需要明确、可追溯的判定，因此最终的 OK 或 NG 不能交给概率性输出单独决定。

更稳妥的用法是让大模型做预标注、人工审核辅助和长尾缺陷复核，把确定性任务留给成熟流程，把解释能力用在最难判断的地方。稀有缺陷检测效率的提升，未必来自一次大胆替换，而是来自把每一种工具放到它最擅长的位置。