8%和1.2%看着只是两个比例。落到质检线上，每1000个次品，漏掉的数量从80个变成12个，也就是多拦下68个。对一家年产值数亿的汽车供应链企业，后面连着整车厂的交付、召回和违约风险。
项目起点是一种新型铝合金压铸件的微裂纹。产线运行三个月，带标注的缺陷图只有100张。CNN或YOLO都能开训，但这么小的数据集很容易过拟合：验证集看着不错，换到现场就漏；阈值继续往下压，误报又迅速上来。
团队没有继续等缺陷自然积累。100张真实图被当作种子，后面接上生成、筛选和蒸馏三道工序，把候选样本池扩到1万张，最后再将能力压进轻量模型。
旋转和加噪，补不出一条新裂纹
旋转、翻转、加噪仍然有用，但它们只是让同一张图换个姿态，不会增加新的缺陷形态。微裂纹样本真正缺少的，是位置、外观和表面纹理的变化。
这套方案使用了CLIP变体和潜扩散模型（Latent Diffusion Model）。第一步是把100张真实缺陷图与文字描述配对，例如“边缘细微线性裂纹”“表面点状氧化坑”。CLIP（Contrastive Language-Image Pre-training）把图像和文本放进同一个特征空间，让裂纹、氧化坑与正常表面之间有可比较的距离。
随后，团队用带ControlNet的扩散模型生成缺陷图。工程师先提供正常零件的掩码图（Mask），圈定缺陷出现的位置和形态，Prompt不再承担全部控制。潜空间经过微调后，系统生成了9,900张伪缺陷样本，光照和材质纹理尽量贴近真实产线。
一万张候选图，先删掉不像真的
合成图的问题也很具体：裂纹可能悬空，光影方向可能反了，表面还可能留下扩散模型特有的噪点。这样的图直接进入训练集，模型记住的可能是假线索。
100张真实图和9,900张合成图组成了1万张候选集。团队让一个量化后的视觉大模型担任“审计员”，逐张打分，检查缺陷位置、纹理和光影是否符合物理逻辑。约8,200张高保真样本通过筛选，进入后续训练。
样本池做到1万张只是中间步骤。真正决定效果的，是有多少图经得住筛查。
文本描述给模型多一把尺子
图片变多，只解决了数量问题。为了应对光照波动和零件摆放偏移，训练阶段还同时输入图像特征与缺陷文本描述。
遇到一块模糊阴影时，系统会在CLIP特征空间里寻找最接近的描述，判断它更像光照干扰，还是划痕、裂纹一类缺陷。这相当于在像素之外，又加了一层语义参照。
项目实测中，产线后来出现过一种样本集里没有的新型磕碰。多模态模型依据语义相似度给出了“疑似缺陷”预警，传统模型则将其判为正常。系统不需要输出一段长解释；能把陌生图案送进待复核队列，就已经有价值。
大模型留在训练端
实验室里能跑通视觉语言模型（VLM），不代表它能直接进产线。工业相机每秒拍摄5至10张高分辨率图，单张推理延迟要控制在100ms以内。
就算参考4-bit量化方案，让70B模型运行在32GB显存环境中，实时质检的显存和时延账仍然算不过来。团队最终选择了模型蒸馏。
教师模型是经过大规模工业数据集预训练的多模态大模型，负责提取特征并生成软标签（Soft Labels）。学生模型则采用轻量级ViT（Vision Transformer）或定制YOLO版本，在1万张增强样本上模仿教师模型的特征分布。
产线不需要直接运行教师模型。适配昇腾910C时，团队通过优化自定义算子，把学生模型的推理延迟压到42ms，低于100ms的预算。大模型继续留在训练和审计环节，实时检测交给轻量模型。
42ms之后，样本还得继续回流
最终实测中，微裂纹漏检率从8%降到1.2%，误检率维持在2%左右，推理延迟为42ms。
这组结果也改了团队对Scaling Law的看法。样本规模当然重要，但合成图的物理可信度会直接决定规模是否有用。微裂纹三个月才积累到100张，靠产线等待太慢；仿真（Simulation）和生成式AI承担的工作，是先补出可训练的缺陷变体。
它们也有边界。扩散模型可以扩展已知缺陷的外观，很难预见训练资料中毫无线索的新类型。现场一旦出现漏检，样本仍要回传到CLIP空间，重新生成、筛选并蒸馏。
人工标注没有被取消，这个项目也没有把十万张标注当作前置条件。团队先接通自动生成、自动审计、模型蒸馏和现场回传，再用新增的真实样本持续校正合成数据。模型架构以后可以替换，这条数据管线不能断。