视觉大模型落地：工业质检场景的实践分享

传统 CV 做工业质检：每个缺陷类型都要采几千张图、标注、训练，换条产线重来一遍。视觉大模型出来后，玩法变了：

1. 小样本：给几十张 OK/NG 样例，模型就能学会判别，冷启动快了一个数量级；
2. 开放词汇：直接用自然语言描述缺陷（"划痕""气泡""缺角"），不用预先定义所有类别；
3. 异常检测：没见过的缺陷也能报"疑似异常"，转人工复核。

但误报率控制依然是硬骨头：产线要的是 99% 以上的准确率，大模型目前更适合做"初筛 + 人工复核"，而不是全自动放行。大家在各自场景里落地到哪一步了？

同感。我们现在是“模型初筛 + 老师傅复核”，人力省了一半。想全自动，误报率还得再降一个数量级。

补充：工业场景注意光照和相机的一致性，数据采集不规范，什么模型都白搭。