原创丨多模态大模型看不清小目标？从数据到工程的优化方案

本文探讨了多模态大模型在小目标识别任务中表现不佳的问题。背景是，尽管多模态大模型在处理大目标时表现出色，但在面对图像中占比小于5%的微小目标（如微小文字、医学病灶、工业缺陷）时，常出现漏检或误判，而这类识别在实际应用中至关重要。研究目的是分析其根本原因并提出分层优化方案。核心原因包括视觉特征压缩导致细节丢失、注意力分配失衡以及训练数据偏差。文章从数据、模型、推理、工程四个维度，按优先级从高到低，系统性地提出了优化方案：推理时通过图像裁剪和提示词优化快速提升；数据层面通过增强和细粒度标注补充特征；模型层面微调视觉编码器或增强注意力；工程层面通过分辨率适配和多尺度融合保障性能。结论是，通过“从易到难、分层优化”的思路，可以有效提升小目标识别准确率，并结合具体场景给出了实战案例和避坑指南，展望了未来自动化、高精度的发展方向。