轻量化多模态 LLM 实现电力输送设备成本效益的缺陷分级
计算与语言
2026-05-29 v1
摘要
电力输送设备的缺陷分级（DGPTE）是维持电能输送稳定性的关键。尽管现有机器学习方法在缺陷检测方面表现出强大能力，但它们面临着难以整合专家经验以及在更细致的缺陷分级领域面临类别不平衡的问题。为此，本文引入了基于多模态大语言模型（MLLM）的新型缺陷分级框架。具体而言，该方法通过原地学习最大化商业 MLLM 在 DGPTE 任务中的潜能，获得了最先进（SOTA）模型。通过向该模型发送二次请求，可生成少量基于链式思考的问答对（Q\&As），有效降低了手动标注成本。如此一来，这些高质量可解释的 Q\&As 用于通过基于低秩适应（LoRA）的监督微调（SFT）训练 Qwen3-VL-8B。在三个 DGPTE 任务上的实验结果表明，仅微调语言模型层即可获得 SOTA 性能。此外，多任务联合微调验证了在单个轻量化 MLLM 中处理多个分级任务的可行性。
引用
@article{arxiv.2605.28822,
title = {Lightweight Multimodal LLM-Enabled Cost-Effective Defect Grading of Power Transmission Equipment},
author = {Tao Wang and Lipeng Zhu and Jiayong Li and Feng Gao and Siwen Liang},
journal= {arXiv preprint arXiv:2605.28822},
year = {2026}
}
备注
9pages, 6figures