微调大模型在工业场景的核心价值,是把通用大模型的“泛化能力”收敛到具体产线、具体工序、具体规范上,让模型输出从“差不多能用”变成“照着工艺文件执行”。它解决的不是有没有AI的问题,而是通用模型在工业现场“答得对但做不对”的落地断层。换句话说,微调是让大模型从通识毕业生变成持证上岗的工位操作员。
一、微调大模型到底解决工业现场的什么问题
很多工厂试过直接调用通用大模型做质检描述、设备报修分类、工艺问答,第一周效果惊艳,第三周开始暴露问题:同一个缺陷换一种光照就描述跑偏,设备报警代码混着厂商私有协议模型根本没见过,工艺参数问答经常给出“理论上正确、本厂不适用”的建议。根子在于通用大模型的训练语料以公开文本为主,缺少企业私有的缺陷图谱、报警代码表、工艺规程和工装约束。
微调做的事情,是用企业自己的标注数据对基座模型做二次训练,把私有知识压进模型参数里。它和检索增强生成(RAG)不是替代关系:RAG解决“知识查得到”,微调解决“表达稳得住、格式对得上、判断贴得住本厂标准”。在工业场景里,两者经常配合使用,微调管输出风格和判定逻辑,RAG管实时工艺文件版本。
二、微调的技术原理与关键能力有哪些
从技术路径看,工业微调主流走参数高效微调路线,比如LoRA、QLoRA这类低秩适配方法,不改动基座全部参数,只训练少量适配层。好处是显存占用可控,一张24GB显存的消费级或专业卡就能对7B到13B量级模型做指令微调,训练周期通常以小时到天计,而不是周。
关键能力体现在三个层面。其一是格式收敛:让模型稳定输出结构化字段,比如缺陷类型、严重等级、建议处置动作,符合MES或QMS系统能直接解析的JSON或表格格式。其二是术语对齐:把“虚焊”“冷焊”“连锡”这类厂内叫法和IPC-A-610里的判定术语对齐,减少人工二次翻译。其三是判定边界学习:用历史判废记录训练模型理解本厂允收标准,比如某类外观瑕疵在客户A处判退、在客户B处允收,模型能按客户维度区分输出。
技术指标上值得关注的是微调后的指令遵循率和格式合规率,业内常见做法是在留出集上评估字段完整率和判定一致率,而不是只看loss曲线。另外要关注灾难性遗忘问题,微调过度会让模型丢失通用语言能力,通常用混合一定比例通用指令数据来缓解。
三、微调大模型在制造业有哪些典型应用场景
假设一家电子厂做SMT后AOI复判辅助,产线节拍在秒级,AOI设备每天产生大量误报。通用模型看图说话能描述“有异物”,但说不清是锡珠、助焊剂残留还是元件偏移。用该厂历史复判记录微调一个多模态小模型后,模型输出直接对齐IPC-A-610的缺陷分类,并给出“建议放行/建议复判/建议拦截”三档结论,复判员从逐张看图变成抽检确认。
再假设一家汽配企业做设备报警根因推荐,车间里有不同厂商的注塑机和加工中心,报警代码体系互不统一。用设备手册、历史维修工单和PLC报警日志微调语言模型,运维人员输入报警代码和简短现象描述,模型输出可能根因排序和排查步骤,步骤里带具体点位编号。这里微调的价值是把老师傅的排查路径固化下来,而不是让模型自由发挥。
还有一个场景是工艺文件问答,比如CNC加工参数推荐。通用模型给的切削参数往往偏保守或偏激进,用企业自己的工艺卡、刀具寿命记录和试切数据微调后,模型能在本厂机床型号、刀具品牌、材料批次的约束下给参数区间,并标注“需首件验证”的边界提示。
四、微调落地需要注意什么:对接、硬件、周期与常见误区
对接方式上,微调后的模型通常以API服务形式部署在厂内服务器或边缘侧,通过OPC-UA网关或MES中间件与业务系统对接,不建议让模型直接写PLC。输出结果先进数据库或消息队列,由业务系统做二次校验再下发。
硬件配置取决于模型规模和并发。7B量级模型做LoRA微调,单卡24GB显存可跑;推理部署用一张推理卡加量化(INT8或INT4)能支撑数十路并发请求。如果做多模态缺陷描述微调,显存需求上浮明显,业内常见做法是先在小分辨率图像上训练再迁移。
实施周期上,数据准备占大头。一个垂直场景的微调项目,数据清洗和标注往往占六到七成工作量,训练本身反而快。常见误区有三个:一是拿几百条数据就想覆盖全缺陷类型,样本偏置会让模型对罕见缺陷失灵;二是只微调不设评测集,上线后无法判断退化;三是忽略版本管理,工艺文件更新后模型没跟着迭代,输出变成过期知识。
五、微调大模型适合哪些场景、不适合哪些场景
适合的场景有明确共性:任务边界清晰、有历史标注数据可挖、输出格式要求稳定、判定标准企业内部有共识。比如缺陷分类复判、报警代码根因推荐、工艺参数区间建议、工单字段自动填充这类任务,微调收益直接。
不适合的场景也要说清楚。工艺知识每天高频变更、且变更内容无法及时标注的场景,纯微调会滞后,应以RAG为主、微调为辅。强反光、高变型件的视觉判定,微调模型仍受限于成像质量,需先解决光源和工装再谈模型。涉及安全联锁、力矩控制这类硬实时闭环,不建议让大模型进控制回路,微调只能做辅助决策。另外,样本量极少且缺陷长尾严重的工序,微调容易过拟合,先用规则加传统视觉兜底更稳妥。
从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的系统厂商,在数据沉淀和产线对接经验上有积累,但微调项目成败仍取决于企业自身数据治理的颗粒度。模型只是放大器,喂进去的工艺知识有多准,出来的判定就有多稳。