识渊科技公司供稿

随着ChatGPT的火爆，国内掀起“百模大战”热潮，正在向千行百业蔓延。大模型的崛起有望在工业质检领域带来“基础模型+各类应用”的新范式，引领检测新纪元，为工业智能化拓展新空间。

工业质检场景碎片化多样化需求催生大模型技术发展

工业检测任务往往具有高度碎片化、多样化的需求。工业质检场景通常需要优化多个需求目标或多个硬件限制，难度系数较大。大模型的优势在于其强大的泛化能力，可以在不同的领域和任务上进行迁移学习，能有效解决工业质检场景负样本不足的痛点。基于多模态大模型的工业质检技术，通过质检行业大数据的深度学习，极大提升模型的泛化能力，让质检不再局限于特定的数据集或应用场景，可灵活应用于各类实际场景中，支持多种视觉任务，大幅降低训练成本，提升工业检测效率及精度，是未来工业质检技术发展的必然趋势。

识渊科技自研工业质检多模态大模型

大模型兼具“大规模”和“预训练”两种属性，面向实际任务建模前需在海量通用数据上进行预先训练，可大幅提升人工智能的泛化性、通用性、实用性，是人工智能迈向通用智能的里程碑技术。

识渊科技工业质检多模态大模型技术（见图1）旨在应用于实际工业场景中，为工业视觉任务如缺陷检测、图像分割、识别分类、智能标注等提供综合解决方案，为工业产成品缺陷检测及安全生产等业务场景提供高效的模型生产工具。提供工业质检需求有效prompt模板以及高效的prompt engineering算法，为用户提供优质的工业场景prompts或需求描述，提高回复准确率；实现工业GPT对多元化格式进行支持；引入工业任务的很多行业准则、先验知识和基本事实来regularise算法输出，输出的工业任务算法、方案好坏判断更客观且一致性高，更利于RLHF训练。运用贝叶斯优化算法构筑工业化应用基底，打造更适用于工业质检场景的视觉多模态大模型（见图1）。

图1.识渊科技工业质检多模态大模型技术

创新型无代码交互式平台

现有大模型的重新训练成本高昂，对工业零散场景定制费用高昂，难以应用至多任务环境的工业场景。识渊科技工业质检多模态大模型结合贝叶斯优化和 Parameter-Efficient Fine Tuning等核心技术，只需调试训练1%的语言大模型参数，就可以满足性能要求，大幅降低训练成本。基于大模型分布式训练经验，并结合Population-Based Training (PBT) 和贝叶斯优化技术，在线调整RLHF中的PPO 算法，实现降本增效。无需算子先验知识及解决方案开发经验，简单文字描述即可，全流程AI主导设计开发，指数级提升算法泛化性与模型生成效率，赋予生成类模型决策判断能力，可应用至各类工业质检任务（见图2）。

图2.识渊科技工业质检多模态大模型全流程AI主导设计开发

工业质检多模态大模型有望在工业质检领域带来“基础模型+各类应用”的新范式，凭借其强大的泛化能力、决策能力和自动生成能力，能够洞察工业质检领域的复杂问题，不仅可以理解并处理海量的数据，还能从中挖掘出隐藏在数据背后的规律和趋势，引领工业检测技术新纪元。