1. 背景与挑战在工业视觉检测领域，缺陷检测面临一个根本性痛点——数据稀缺与冷启动。工业缺陷呈典型的长尾分布：正常样本数以万计，但划痕、裂纹、凹坑等真实缺陷样本可能只有个位数，甚至为零。产线初期的智能体几乎无法从历史数据中学习到有效的缺陷表征。同时，缺陷标注高度依赖领域专家，单个样本的精细标注成本可达数十至数百元人民币，使得大规模有监督学习在经济上不可行。因此，如何在不依赖任何真实缺陷样本的条件下构建一套可用的智能检测系统——即零样本缺陷检测——成为工业 AI 落地中最紧迫的技术命题之一。2. 零样本检测的核心思想零样本工业缺陷检测的本质，是利用先验知识迁移来弥补训练样本的缺失。系统不再从零开始学习什么叫做“划痕”，而是借助大规模预训练模型（如视觉-语言模型）中蕴含的通用语义与视觉知识，通过自然语言描述来定义缺陷类别，并直接迁移到工业图像域进行推理。整个系统的设计围绕三个核心能力展开：语义理解能力：能够将“表面划痕”“氧化斑点”“焊点虚焊”等自然语言描述映射为视觉空间中的特征表示。异常量化能力：在没有见过任何异常样本的前提下，判断一张图像是否偏离正常分布，并定位偏离区域。领域适配能力：将通用预训练模型适配到特定工业场景，克服自然图像与工业图像之间的域差异。3. 系统整体架构本文提出的零样本缺陷检测系统采用双分支协同架构，由异常检测
)
