# 强度图场景与托盘：VLM原生推理诊断

96张不同原图：41细类各2张（82张）＋全部14条已有人工观察备注；覆盖9大类。未经微调、无LoRA、无类别／关键点／人工备注输入。
每模型324次独立对话：整图自由描述96次、目标裁剪自由描述96次、结构问答96次、空白／像素打乱对照36次。整图与裁剪自由描述均不提示“托盘”或“强度图”；结构问答明确告知传感器强度图。

| 指标 | Qwen3.5-0.8B 原始权重 | Qwen3.5-4B 原始权重 |
|---|---:|---:|
| 结构问答完整字段有效 | 92/96 | 96/96 |
| 问答中判断有托盘（已提示目标问题，不是盲识别率） | 2/96 | 95/96 |
| 支腿与类别定义一致（弱参考；分母含弃答／格式失败） | 17/96 | 34/96 |
| 支腿有回答时一致／回答数 | 17/89 | 34/92 |
| 横梁与类别定义一致（弱参考；分母含弃答／格式失败） | 44/96 | 63/96 |
| 横梁有回答时一致／回答数 | 44/90 | 63/92 |
| 材质与类别定义一致（弱参考；分母含弃答／格式失败） | 25/96 | 3/96 |
| 材质有回答时一致／回答数 | 25/74 | 3/13 |
| 三项同时与类别定义一致 | 5/96 | 0/96 |
| 已知遮挡阳性检出 | 0/9 | 5/9 |
| 已知质量差阳性检出 | 0/3 | 3/3 |
| 已知真正出视野阳性检出 | 0/1 | 0/1 |
| 空白图仍判断有托盘 | 0/9 | 5/9 |
| 打乱图仍判断有托盘（仅敏感性对照） | 0/9 | 5/9 |
| 单次生成耗时中位数 | 2.50s | 5.99s |
| 整图／裁剪描述命中160-token上限 | 39 / 5 | 78 / 81 |
| 固定审计子集截断续查：384-token重跑数／仍截断数 | 9 / 3 | 35 / 1 |
| 23张定性子集：整图核心描述贴图且无主要错误 | 3/23 | 4/23 |
| 23张定性子集：裁剪核心描述贴图且无主要错误 | 3/23 | 7/23 |

按本样本类别定义，始终猜多数值的支腿／横梁／材质一致数分别为60／56／48（各分母96），仅作弱参考基线；谨慎弃答不能与无依据猜测混为同一种错误。

## 定性观察与结论

结论：在本次固定输入、原生贪心推理配置和本项目强度图上，两种模型都不能作为可靠的托盘理解／异常判断器；4B比0.8B有更多有用几何描述，但仍不是可自动落地的语义理解。

1. 场景与形状：能描述部分明暗、噪点、长条、开口、横杆、支撑和前后关系；部分图能看见人及载荷。较复杂料架、堆叠托盘、叉臂的主体身份和相互关系经常被解释成床、柜子、建筑、轨道等。
2. 格式不等于理解：0.8B问答92/96格式有效，4B为96/96。4B回答“有托盘”95/96，但其5/9张全黑问答也回答“有托盘”，其中声称可见4腿、2横梁、金属；不能把95/96当作识别准确率。
3. 结构与材质：支腿与类别定义一致为17/96、34/96，横梁为44/96、63/96。这只是弱参考，不等于可见部件准确率。4B在87张图回答2腿，反映明显答案偏置。4B有83/96条材质弃答，这是强度图上较谨慎的行为，不能因其材质一致数低就认为更差；0.8B多次无依据猜材质。两者都不足以细类细节判断或物理材质确认。
4. 异常：0.8B与4B分别检出0/9和5/9条已知遮挡；真正出视野均0/1。4B检出3/3条画质极差，但它把全部96张实图都判“质量差”，所以这不是经验证的画质判别能力。没有人工正常负例，不能计算或声称异常精确率、特异度或F1；另1条视角缺失只做定性，不混为出视野。
5. 无依据内容：0.8B把S021裁剪说成汽车并重复雨刮器，把S093灰度裁剪说成有红绿指示灯；4B在S091把纹理写成污渍和物理损伤，对叉臂／托盘遮挡关系也有反转或错认。这些会污染自动描述。

适用边界：可作为人工辅助的低层轮廓／噪点描述候选，必须保留原图与不确定性；不适合直接写正式类别、关键点、材质或异常标签，也不能据其“没发现异常”认定正常。结论仅针对这两种同家族模型及当前诊断样本，不代表所有VLM或更大模型的能力上限。

## 长度与冷启动复查

0.8B补查9条，4B补查35条，44/44均与主实验前缀完全一致；延长到384新token后分别仍有3条、1条触及上限。增加预算使4B的描述更完整：例如S021明确推测叉车视角和仓储／物流区域，说明它并非完全不能理解场景；但同一段仍把叉臂叫导轨、把支腿数说成四个。S091的污渍、物理损伤等无依据断言在长回答中依然存在；0.8B的汽车／雨刮器、建筑／窗户等幻觉继续重复。长度预算影响完整性，但不足以解释或消除核心语义错误。定性分数及主实验统计保持原160-token预算，不用长答案择优替换。

主实验648次生成，长度复查44次，冷启动复现5次，共697次。

冷启动新进程先输入全黑图、再换实图、再回到同一全黑图，5次输出均逐字复现主实验；首次全黑输入也虚构4腿／2横梁／金属，排除了前一请求残留这一解释。

## 限制

- 不是新建的现实盲测集；96张原图来自既有数据，属于59个关联分量，不能按96个完全独立场景解释。
- 未提供或要求模型预测细类ID；覆盖41细类不等于做了41分类准确率测试。
- 项目托盘目录包含模拟件和料架式载具，项目内语义与通用木托盘概念不完全相同。
- 支腿／横梁／材质参考来自已确认的类别定义，不是逐图可见结构GT。
- 没有备注是缺失异常标签，不是正常负例；线上空描述默认正常的应用规则不用于本次评价。
- 真正出视野仅1条、画质极差仅3条，不能据此认证泛化能力或精确率。
- 全黑／打乱对照检验提示偏置与图像依赖，不代替真实无托盘场景的特异度评估。
- 主实验自由描述上限160新token，问答192；截断计数已列出，不把省略的末段当主动弃答。
- 定性评分者为本助手，不是新增独立人类标注者。

参数口径：原始权重张量元素数分别为873,438,784／4,659,865,088；Transformers原生推理未实例化MTP分支，运行时参数数以`execution.json`为准。这不是裁剪适配器或任务微调。

长度敏感性检查：对固定23张审计子集中所有触及上限的自由描述，不改提示、贪心设置或图像，只把上限增至384新token。保留主实验指标不替换、不择优；补充原文在`length_check/`及HTML各样本中展开查看。

全部原图、裁剪、提示、模型原文、控制组、逐类统计与逐例视觉审计均保留在本目录。`report.html`提供并排浏览；评估不修改线上标注或默认正常策略。
