11:12arXiv cs.AI@Stefano Samele, Eugenio Lomurno, Teodora Jovanovic, Sanjay Shivakumar Manohar, Alberto Crivellaro, Matteo Matteucci工业异常检测领域近年引入多模态视觉语言模型,声称可通过文本指令实现零样本或少样本检测。但现有评估方法沿用单模态基准,无法验证模型是否真正依赖文本条件。本文提出TGAD结构化基准,通过三个递进场景测试:MVTec AD上的提示敏感性测试、组件级标注扩展、以及新构建的组装面板数据集APD。测试发现,三种代表性模型(生成式大视觉语言模型、无训练判别式、嵌入自适应判别式)均仅表面响应文本指令:移除物体名词后生成模型I-AUROC从97.4降至82.6;组件指令无法约束决策;在APD上图像级判别甚至低于随机水平(最低31.5)。结果表明当前多模态异常检测系统的文本引导能力被高估,需要此类基准才能实现工业部署所需的可靠语言控制。论文异常检测多模态基准测试视觉语言模型工业检测推荐理由:做工业视觉检测的团队会发现,当前号称支持文本引导的模型其实并不听指令——TGAD基准直接戳破了这个泡沫,建议点开看看你的模型是否真的被语言控制。原文