引言：随着电力行业的快速发展，提高配网的智能化和自动化水平已成为行业的重要目标。自2023年9月20日，合肥中科类脑智能技术有限公司与安徽明生恒卓科技有限公司联合发布了首版电力视觉大模型“玄视”以来，中科类脑不断推进大模型的技术创新和应用落地。

在大模型创新方面，研究面向开放环境的多模态大模型技术，实现跨模态知识交互与开放词汇识别，结合人机协同机制，研究LoRA等大模型高效微调技术，提升大模型训练速度和效果等，从而提升模型精度和适应性。此外，电力视觉大模型实现了基于华为生态加速卡的移植，支持昇腾系列芯片的直接训练和推理，并通过了华为原生大模型认证。

在大模型落地应用方面，中科类脑秉持“从技术中来，到应用中去”的理念，积极探索电力大模型的应用场景，培养了电力与算法交叉学科的专家团队，确保技术与业务深度融合。长期在业务前线的深入实践，使得中科类脑在电力视觉大模型的应用上积累了宝贵的经验，特别是在配网缺陷诊断领域取得了显著成果。我们的业务专家引导算法团队深入理解配网业务的复杂需求，并在算法开发和软件设计中融入丰富的行业知识，从而实现技术创新与业务需求的紧密结合。

在配网缺陷诊断的研发过程中，中科类脑基于“玄视”大模型开发了面向配网场景的L2视觉大模型。通过深入分析配网设备与缺陷特性，结合算法特点，开发了一系列高精度的检测和识别算法，包括19种针对配网缺陷的检测算法、14种配网设备的识别算法、23种配网元件的识别算法、17种配网杆塔类型的识别算法，以及18种杆塔环境的识别算法。经过不断的迭代和精心优化，我们的电力视觉大模型在关键性能指标上实现了显著提升，实现了对配电网线路从环境、设备到缺陷的全面覆盖，平均检出率均达到了90%左右，有效解决了AI落地过程中解决实际业务问题不全面的困境。

在算法研究中，检出率和误检率通常用来衡量算法效果。检出率越高、误检率越低，算法效果越好。然而，实际落地时，由于配电缺陷定义的复杂性，存在大量难以准确判断的案例，称为难样本。中科类脑结合业务实践，分类处理难样本，准确评估算法效果，确保落地应用的有效性。同时，在配网业务中不同目标的视觉形态与比例分布差异显著，电力视觉大模型引入了自适应交并比、杆塔级评测和精细化标注等技术方案，进一步提升算法在实际应用中的表现。

电力视觉大模型的优化过程展现了多方面的亮点：

百万级电力行业数据参与了电力视觉大模型的预训练，使其在电力垂直领域相比公开模型具有显著优势。

为提高模型推理效率，模型架构从单底座单检测头的多模型改进为单底座多检测头的单模型，推理效率大幅提升，精度保持不变。

基于稀缺数据驱动的模型迭代机制，确保了高质量的数据标注，同时为稀缺样本的持续收集提供了有效途径。

针对业务场景配置可选择的数据切片前处理和训练策略，并提出了一种基于面积阈值和IOB指标的NMS方法，在多个场景验证了该方法的高效性和鲁棒性。

深度结合业务的算法落地策略，如在推理过程中引入杆塔级元件、设备和缺陷统计方法，有效降低误检率，提高审图效率。

得益于我们的数据闭环和人机协同机制，电力视觉大模型实现了持续迭代优化，从而有效应对日益复杂的业务需求。每一轮算法优化之后，我们都会执行一系列严格的评估流程。此外，我们与业务专家的密切协作，不仅确保了模型与业务需求的紧密结合，也有效促进了跨学科知识的融合与创新。

下个阶段，中科类脑电力视觉大模型将继续在配电网领域探索新的应用场景，以进一步推动电力行业的智能化和数字化转型。我们期待与所有合作伙伴一起，共同塑造一个更加智能、可持续的未来。