当客户询问门店稽查与货架陈列检核应采用何种方案时，答案其实非常明确：两者结合使用。
多模态大模型好比一位全科医生，知识储备广泛，能应对各类复杂问题；专用小模型则像一位专科医生，在特定领域深耕细作，精准高效。二者各具优势，强行二选一反而容易陷入认知误区。
朗镜科技 ShelfMind 的架构正是基于这一理念——以专用小模型作为识别主力，大模型在复杂理解与语义汇总等环节提供辅助配合。各司其职，才能让图像识别真正实现稳定、可量化的产出。
为什么这样设计？因为许多客户在通用大模型上测试单张货架图时，惊叹“效果太强了”，但一旦涉及批量落地，就会发现：单纯依赖大模型进行零售图像识别，不仅速度慢、成本高，而且结果不稳定。单图演示效果出色，与批量稳定上线，完全是两回事。
LENZ：大模型单图识别看似完美，批量部署为何容易失败？
在通用大模型中随手上传一张货架图，询问“某SKU有几个排面”，它回答得头头是道。但请注意：
- 测试的是单张图片，而非数千张批量数据；
- 仅是一次性提问，并非7×24小时稳定调用；
- 答案正确与否需要人工判断，系统不会自动校验；
- 单图验证的是方向可行性，无法验证量产稳定性。
批量上线至少需要补齐以下环节：
- 效果能否量化？——准确率是否达标？结果是否一致？
- 速度能否跟上？——高峰期是否会超时？
- 成本是否清晰？——每日处理数万张图片的费用是多少？
- 结果是否可用？——大模型输出的是文本描述，而业务系统需要结构化数据。
- 出错如何应对？——是否有兜底机制？
这些环节不经过充分验证，POC（概念验证）阶段表现再好，上线后也必然翻车。
LENZ：复杂场景下，大模型仅为环节之一，小模型才是核心主力
举个真实案例：从货架照片到输出每个商品的售价，听起来简单？实际需要7个步骤：价签检测（小模型）→ SKU识别（小模型）→ OCR（大模型）→ 几何匹配（算法）→ 语义汇总（大模型）→ 数据补全（算法）→ 生成报表。
大模型只参与其中2个步骤。SKU识别离不开专用小模型，二者协同配合，才是零售图像识别的正确解法。缺少任何一步，最终结果都可能出现偏差。
零售图像识别要实现批量落地，必须将效果、速度、成本、数据解析、兜底机制全部打通。复杂场景更需要搭建流水线——小模型负责高效完成自身擅长的任务，大模型则处理它擅长的高阶理解。这就是朗镜科技 ShelfMind 一直在做的事：不盲目迷信大模型，也不固守小模型，能够稳定输出结果的技术方案，才是真正优秀的方案。
