“准确率从99.2%掉到了96.8%，但误判率直接降了三分之二。”这是苏州一家连接器厂质量总监王工给出的数据。他们用GPT-5o做端子缺陷检测三个月后，核心变化是：漏检少了，但总检出率数字反而“变差”了。
这引出了我们走访12家工厂后的第一个反直觉发现：用GPT-5o这类大模型做质检，你首先得重新定义什么叫“准”。
96.8%的准确率，是高还是低？
传统工业CV模型高度依赖训练数据。一个宣称99%准确率的模型，可能因为产线换型、光照变化就跌破95%。我们在东莞一家3C厂看到，他们去年部署的模型，每季度都要重新标注数据、微调，一次迭代就要两周。
GPT-5o的路子完全不同。它不针对特定缺陷微调，而是通过“视觉推理”理解图像。你给它一张电路板特写，问“这里有没有虚焊？”，它会像老师傅一样，分析焊点的光泽、形状和周围的一致性。
这种泛化能力最直接的好处是快。我们采访的12家厂里，有9家表示，选择GPT-5o的首要原因就是它适应产线变化快。传统方案换新型号，重新采集训练要以周计；而GPT-5o只需要调整一下提示词（Prompt），当天就能上线新检测逻辑。
误判率，才是产线的真正痛点
在工厂，一个误判（把好的判成坏的）的代价远比漏检大。它会触发停机、复检，直接影响产线节奏。昆山一家汽车零部件厂的数据很说明问题：
| 指标 | 传统CV方案 (2024年部署) | GPT-5o方案 (2026年4月起) |
|---|---|---|
| 漏检率 | 0.8% | 0.5% |
| 误判率 | 2.1% | 0.7% |
| 每日误判件数 | 约210件 | 约70件 |
误判率降了三分之二，意味着每天少140次不必要的停机或复检。厂长算过，单次复检3分钟，质检员时薪40元，仅此一项每月就能省近3万。
GPT-5o的优势在于理解“模糊边界”。传统模型看像素，对“轻微划痕”、“可接受的色差”容易过度反应。大模型的视觉推理，让它更接近人的判断。
成本账：从“一次付清”到“按月订阅”
传统CV方案通常是项目制：采集、训练、部署，一个项目包干价15-30万。后续每季度迭代，每次2-5万。
GPT-5o主要提供API调用，按用量收费。我们从多家厂商拿到的报价是，一个中等复杂度任务，每张图分析成本约0.002-0.005美元。按一个工位每天检测5000张图算：
- 日成本：约70-175元人民币
- 月成本：约2000-5000元人民币
初期投入低了，但变成了持续的运营成本。对产品线稳定的大厂，传统方案长期总成本可能更低。但对产品迭代快、产线常变的中小企业，按量付费反而更灵活、更划算。
迭代速度：从“两周”到“十分钟”
这是GPT-5o带来的最颠覆变化。温州一家眼镜厂，生产线常因订单调整镜框款式。用传统方案，每次新款上线，工程师要重新拍几百张图、标注、训练，至少两周。
现在，他们一位有20年经验的质检主管，通过一个Web界面，用中文描述要求：“检查镜框铰链处有无毛刺，检查镜片边缘有无崩边，注意鼻托焊点是否平整。”系统自动生成提示词，十分钟，新检测逻辑就上线了。
“以前我觉得AI要取代我，现在觉得它让我多了一个超级助手。”这位主管的话，可能代表了技术落地最理想的状态。
现实硬伤：延迟、成本和“幻觉”
GPT-5o并非万能。调研中我们发现了几个硬伤：
- 延迟：单张图通过API分析，延迟约0.5-1.2秒。对于每分钟检测上百个零件的高速产线，这可能不够。有的工厂用“并行请求”或“边缘预处理+云端复核”的混合架构来解决。
- 成本可控性：单价虽低，但高频场景下，月度API账单可能超过传统方案的运维费。需要精细化管理调用频率。
- “视觉幻觉”：这是大模型的通病。有工厂反馈，在特殊光线下，GPT-5o可能会“脑补”出不存在的缺陷。目前的做法是，将GPT-5o的判断作为“初筛”，对低置信度结果再由人工或传统模型二次确认。
你的工厂该不该上GPT-5o？
基于12家厂的实测，我们梳理出一个简单决策逻辑：
优先考虑GPT-5o的场景：
- 产品型号多、换型频繁。
- 缺陷标准依赖主观判断（如外观一致性）。
- 已有IT团队，能自己维护提示词。
- 初期预算有限，想快速验证。
传统CV可能仍是更优解的场景：
- 产线速度极快，对延迟要求严苛（<100毫秒）。
- 检测环境高度标准化，且长期不变。
- 缺陷类型明确可量化（如尺寸公差）。
- 企业有成熟AI团队和充足初期预算。
一个务实的建议：从一条关键但非最高速的产线开始试点。 先跑通一个最小闭环，验证模型在你特定环境下的真实表现，再决定是否推广。GPT-5o代表的视觉推理，正让工业质检从“模式匹配”迈向“智能判断”。它不会完全取代传统CV，但会成为工具箱里一把越来越锋利的新刀。关键在于，知道什么时候该用它。