本研究提出了一种新方法，利用多模态大型语言模型进行工业异常检测，解决了现有方法缺乏缺陷详细描述的问题。研究贡献了首个多模态工业异常检测训练数据集（DDQA），实验结果表明该方法在缺陷检测和定位任务中表现优异，显著提高了准确性和可解释性。

本文介绍了一种新的异常检测方法，能够训练带有稀疏正常数据的模型，并在未见过的对象上检测相同类型的异常。通过改进现有的 MVTec AD 数据集并使用两种基于嵌入的方法 SEMLP 和 Labeled PatchCore 进行设计，SEMLP 取得了最佳性能表现，图像级平均 AUROC 为 87.2%。这些新的数据集为工业异常检测的进一步研究提供了基础。

本文介绍了一种新的异常检测方法，能够训练带有稀疏正常数据的模型，并在未见过的对象上检测相同类型的异常。通过改进现有的 MVTec AD 数据集并使用两种基于嵌入的方法 SEMLP 和 Labeled PatchCore 进行设计，SEMLP 取得了最佳性能表现，图像级平均 AUROC 为 87.2%。这些新的数据集为工业异常检测的进一步研究提供了基础。