专业领域的少样本可解释图像分类工具

开发者把 Qwen-VL、LLaVA 这类通用视觉语言模型用于自己的专业图像分类场景（特殊工业检测、细分生物种类、小众医学影像等）时，模型经常失效——正如信号原文所述，它们"fail on specialized domains where the required discriminative features were never learned"。通用模型的零样本能力只覆盖预训练分布内的任务，而专业领域的判别性特征从未被学到。用户当前的替代方案是微调整个模型或人工标注大量数据训练专用分类器，成本高且门槛高。同时，研究侧也在探索替代路线：何恺明团队的 NAT-ARC 证明纯视觉路线可用约四分之一的参数量（70.2% vs 71.6%）追平专用LLM方案，且 MAE 预训练打通了视觉模型的 scaling 瓶颈。

把 VLM 应用于专业图像分类的开发者和中小团队：工业质检、细分领域生物识别、专业图库整理、小众垂类数据标注团队。信号显示这是研究论文披露的能力缺口，尚无证据表明存在成规模的具体付费群体，市场大小定性判断为"存在但未经证实的利基"。

• 少样本类别建模：每类仅需5-10张样本图，通过双模式提示（dual-mode prompting）自动构建该类别的判别性特征字典
• 层级过滤分类：对候选类别做逐层特征证据过滤，而非一次性 softmax，提升细分类精度
• 可解释输出：每次分类附带命中的具体视觉特征和空间定位证据，让用户能审计和修正
• 特征字典编辑：用户可手动增删特征词条，把领域专家知识注入分类器
• AI角色：VLM承担特征提取与证据定位，分类决策由结构化的特征字典驱动，而非依赖模型零样本判断

两个研究进展刚刚改变了可行性：其一，training-free 的 Inductive Visual Logic 框架证明不训练模型、仅靠双模式提示和层级过滤就能在专业分布外领域做出可解释分类；其二，NAT-ARC 显示纯视觉路线配合 MAE 预训练已能用约四分之一参数量逼近专用LLM系统（70.2% vs 71.6%），且"加上预训练后，scaling才开始有正收益"——小模型+预训练在小数据专业领域变得可行，推理成本同步下降。

首版仅支持图像分类任务：上传一个类别的少量样本图（每类约5-10张）+ 类名，系统通过双模式提示构建类别特征字典，返回分类结果与可解释的特征证据列表。不做：目标检测、分割、OCR、图像生成、私有模型本地部署、与训练VLM的集成。支持公开图像目录和常见图像格式。

• 技术风险：论文方法在真实杂乱数据上的复现效果未知，few-shot 字典构建对图像质量和领域差异敏感。
• 基座依赖：依赖 Qwen-VL、LLaVA 等开源VLM，其版本演进可能改变提示行为，需持续适配。
• 竞争风险：通用VLM厂商持续提升分布外能力（如更好的预训练数据），可能直接消灭这个利基。
• 商业化风险：信号中无任何付费意愿证据，专业领域客户获取周期长、单客定制需求重。
• 方向不确定性：信号主体是研究论文而非用户痛点讨论，真实需求强度存疑。