多模态大模型vs专用小模型：零售图像识别的正解，从来不是二选一

当客户问起门店稽查和货架陈列检核该用哪种方案时，答案其实很直接：两个都用。

多模态大模型像一位全科医生，知识面广、能应对各种疑难杂症；专用小模型则像一位专科医生，在特定领域深耕细作、精准高效。二者各有所长，硬要二选一反而容易陷入误区。

朗镜科技 ShelfMind 的架构正是基于这个思路——以专用小模型为识别主力，大模型在复杂理解和语义汇总等环节辅助配合。各司其职，图像识别才能真正常量产出。

为什么这么设计？因为很多客户在通用大模型上试完单张货架图识别，惊呼“太强了”，但一谈到批量落地就发现：纯靠大模型做零售图像识别，又慢又贵还不稳定。单图演示效果好，和批量稳定上线，是两码事。

LENZ：为什么大模型单图识别看着好，批量容易翻车？

在通用大模型上随手发一张货架图问“XXSKU 有几个排面”，它答得头头是道。但请注意：

• 那是单张图，不是几千张；
• 那是一次性提问，不是 7×24 小时稳定调用；
• 答案对不对是人眼判断的，系统不会自动校验；
• 单图验证的是方向，验证不了量产。

批量上线，至少还要补这些：

• 效果能不能量化？——准确率多少？一致吗？
• 速度跟得上吗？——高峰期会超时吗？
• 成本算得清吗？——一天几万张图花多少钱？
• 结果能用吗？——大模型给一段话，业务系统要结构化数据。
• 出错了怎么办？——谁来兜底？

这些不测清楚，POC（概念验证）好看，上线必翻。

LENZ：复杂场景，大模型只是其中一环，小模型才是主力

举个真实例子：货架照片 → 输出每个商品售价。听起来简单？实际要 7 步：价签检测（小模型）→ SKU 识别（小模型）→ OCR（大模型）→ 几何匹配（算法）→ 语义汇总（大模型）→ 数据补全（算法）→ 出表。

大模型只负责其中 2 步。SKU 识别离不开专用小模型，两者配合，才是零售图像识别的正解。缺任何一步，结果都可能出问题。

零售图像识别批量落地，得把效果、速度、成本、解析、兜底都跑通。复杂场景更要搭流水线——小模型干能干的活，大模型做它擅长的事。这就是朗镜科技 ShelfMind 一直在做的事。不迷信大模型，也不死守小模型，能稳定出数的方案，才是好方案。