M3-AD：面向工业异常检测的反思感知多模态、多类别、多维度基准与框架
机器学习
2026-03-03 v1 人工智能
摘要
虽然多模态大语言模型（MLLM）推动工业异常检测向零样本范式发展，但仍倾向于在细粒度和结构复杂的工业场景中produce 高置信度却不可靠的决策，缺乏有效的自纠错机制。为此，我们提出M3-AD，一个统一的反思感知多模态工业异常检测框架。M3-AD 包含两套互补数据资源：M3-AD-FT 用于反思对齐微调，M3-AD-Bench 用于系统化跨类别评估，为反思感知学习和可靠性评估提供基础。基于此，我们提出RA-Monitor，将反思建模为可学习的决策修订过程，引导模型在初始判断不可靠时进行受控自我纠正，从而提升决策鲁棒性。在M3-AD-Bench上的大量实验表明，RA-Monitor 在零样本异常检测和异常分析任务中超越了多个开源和商业 MLLM。代码将发布于 https://github.com/Yanhui-Lee/M3-AD。
引用
@article{arxiv.2603.00055,
title = {M3-AD: Reflection-aware Multi-modal, Multi-category, and Multi-dimensional Benchmark and Framework for Industrial Anomaly Detection},
author = {Chao Huang and Yanhui Li and Yunkang Cao and Wei Wang and Hongxi Huang and Jie Wen and Wenqi Ren and Xiaochun Cao},
journal= {arXiv preprint arXiv:2603.00055},
year = {2026}
}