免训练提示框架借多模态模型实现晶圆图六类缺陷分类
热点事件持续更新
免训练提示框架借多模态模型实现晶圆图六类缺陷分类
1 篇报道1 个报道来源20 小时前更新
先了解这件事
AI 综述
研究者（Tianjian Cao 等，论文 arXiv:2610.35080）提出一种免训练的六类晶圆图缺陷分类框架：对冻结的大型多模态模型使用结合连通域高亮与形态、位置、排除规则的提示词，无需标注数据和再训练。在 Mixed-WM38 数据集（6,866 张图）上达到 92.9% macro 和 93.8% 总体准确率；在 WM811K（9,000 张图）上分别为 79.1% 和 81.3%。 消融实验显示，八种替代规则顺序的总体准确率为 90.1%–91.9%，低于所选规则顺序的 93.8%。
AI 根据报道生成 · 3 小时前更新
最新进展10月26日 17:24
基于规则排序提示词的晶圆图零样本多类别分类：免训练框架借助大型多模态模型实现报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv · cs.AI基于规则排序提示词的晶圆图零样本多类别分类：免训练框架借助大型多模态模型实现
研究者提出一种免训练的六类晶圆图缺陷分类框架，将连通域高亮与融合形态、位置和排除规则的提示词结合，用于冻结的大型多模态模型，无需标注数据和再训练。在 Mixed-WM38 数据集（6,866 张图）上达到 92.9% macro 和 93.8% 总体准确率；在 WM811K（9,000 张图）上分别为 79.1% 和 81.3%。消融实验显示八种替代规则顺序总体准确率为 90.1-91.9%，低于所选顺序的 93.8%。
本事件热度走势
- 可比范围当前
- 6
- 可比范围峰值
- 610月27日 11:00
- 近 24 小时变化
- –
0246
11:0012:0013:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。