如果你向一个AI提问：“这张货架照片里有什么？”

多模态大模型会像一位全科医生，快速扫视整张图片，告诉你“这是一排饮料，左边是可乐，中间是茶饮”。它能够理解场景，进行自然对话，并保持上下文连贯。

专用小模型则像一位专科医生，精准地框出每一个商品，告诉你“第3排第2个是500mL可乐，第4排第5个是1L可乐”。它速度快、精度高，但无法与你进行对话交流。

那么问题来了：零售场景下的货架识别，究竟应该选择哪种AI模型？

朗镜科技给出的答案很明确：两者都要。正是基于这一判断，他们构建了ShelfMind零售领域模型，让多模态大模型和专用小模型各司其职，将大模型的“理解能力”和“兜底能力”与小模型的“快速响应”和“精准识别”完美融合，为零售货架识别提供了AI领域的最优解决方案，帮助品牌实现更高质量、更高效率的门店稽查与货架陈列检核。

能力对比：各有所长，各有所短

多模态大模型（VLM）—— 看得懂场景的“全科医生”

多模态大模型能够“看”图像，并用自然语言“表述”出来。它擅长整体理解——解读场景、理解文档、描述单张图片的内容。指代识别（“左边那个”“第二层”）、关系判断（“价签和商品是否匹配”）、VQA推理、多步判断以及报告生成，都是它的强项。

然而，多模态大模型也存在明显的短板：

• 闭集SKU识别：速度慢、成本高，不如专用分类模型
• 规模化新品识别：单张图片可以描述，但批量情况下无法稳定输出SKU ID
• 检测/分割/计数：精度和速度均不如专用小模型
• 检索匹配：不如Embedding加向量检索
• OOD告警：商品库规模过大时，无法可靠判断“库里是否有该商品”

多模态大模型能识别“这是什么品牌”，但难以准确判断“这是哪一款、多大规格、什么包装”。它也无法利用货架上的空间和价格信息来辅助判断。当同一系列、同一口味的不同规格商品摆放在一起时，大模型往往无法区分500mL与1L的差异。

专用小模型 —— 精度与速度的“专科医生”

专用小模型在特定任务上具有明显优势。

• 闭集SKU识别方面，它比大模型更快、更便宜、效果更优。
• 检测、分割、计数任务，其精度和速度均优于大模型。
• 在价签检测和SKU识别这两个零售核心环节，框数量越多，相比大模型越划算。

但它的短板也很清晰：不具备场景理解和语言推理能力，无法独立完成复杂任务。

核心结论是：复杂任务需要配合大模型和其他算法搭建流水线，小模型只是其中的一个环节。

朗镜科技ShelfMind：让两者各司其职

既然大模型和小模型各有优劣，那么零售场景的最优解到底是什么？

朗镜科技ShelfMind零售领域模型的思路是：将两者结合。采用“小模型快速分类 + 多模态大模型兜底难例”的级联架构，让每一类模型做自己最擅长的事情。

小模型负责“快”和“准”——价签检测、SKU识别这些高频、高精度要求的任务，交由专用小模型处理。

大模型负责“懂”和“兜”——复杂场景的理解、困难样本的兜底、语义推理和报告生成，则交给多模态大模型执行。

这才是核心思路：不依赖单一模型解决所有问题，而是让合适的模型承担合适的任务。