MAU-GPT：基于异常感知与通用专家适应的多类型工业异常理解提升方法

随着工业制造规模化，自动化细粒度产品图像分析变得至关重要，用于质量控制。然而，现有方法受限于数据覆盖不足和模型在多样化复杂异常模式上的泛化能力较差。为此，我们引入MAU-Set，即为多类型工业异常理解（Multi-type Industrial Anomaly Understanding）而构建的全面数据集。该数据集跨越多个工业领域，具有分层任务结构，从二分类到复杂推理不等。同时，我们建立了严格的评估协议，以促进公平且全面的模型评估。基于此基础，我们进一步提出MAU-GPT，一个为工业异常理解专门设计的领域适应型多模态大模型。它融合了新颖的AMoE-LoRA机制，统一了异常感知与通用专家适应，提升了对多样化缺陷类别的理解与推理能力。大量实验表明，MAU-GPT在所有领域均一致优于先前的方法，展示了强大的可扩展自动化工业检验潜力。