在3C结构件与精密五金产线，表面瑕疵种类多、单类样本少，传统视觉分类常因新品类冷启动而误判。大模型应用实验室近期围绕少样本场景做了一组实验性探索：以通用视觉大模型为教师，通过特征蒸馏将判别能力压缩到产线边缘可运行的轻量学生模型，再用少量标注样本对分类头与判定阈值做迁移校准。
阶段性进展：在内部测试集（6类瑕疵、每类20~40张样本）上，学生模型相对常规微调基线将漏检率降低约三成，单帧推理耗时控制在15ms以内；阈值迁移使新品类上线所需标注量从数百张降至约50张。
下一步计划：验证跨材质（阳极氧化、喷砂、拉丝）的特征共享效果，并补充置信度校准模块，输出可解释的判定依据，减少产线复判工作量。
要点：
- 方法：教师大模型特征蒸馏 + 分类头与阈值小样本迁移，兼顾精度与边缘部署成本。
- 数据：6类瑕疵小样本测试中漏检率降低约30%，新品类上线标注需求显著下降。
评论