在人工智能應用場景中，使用 CNN 類算法對視頻數(shù)據(jù)進行檢測和分析已經(jīng)是常見的做法，但傳統(tǒng)智能監(jiān)控設備長期面臨誤報率高、復雜場景泛化能力不足等痛點。尤其在煙火、漏油/水、人員跌倒檢測等高危場景中，傳統(tǒng) AI 算法受限于模型泛化能力與實時性要求，難以滿足高密度、高動態(tài)環(huán)境下的精準識別需求。

對此，鯤云科技依托自研數(shù)據(jù)流 AI 芯片與大模型技術，升級 AI 智能分析解決方案，通過大小模型協(xié)同、CNN-Transformer 融合架構等前沿技術，推出一系列深度學習與計算機視覺算法混合的識別方案，實現(xiàn)“高精度識別+高并發(fā)響應”的雙重突破，進一步提升了 AI 視頻分析的實際應用效果，降低 AI 應用的落地和使用成本。

大小模型協(xié)同：性能與精度的黃金平衡

小模型如同“一線戰(zhàn)士”，專注端側實時響應和檢出。在邊緣設備（如邊緣小站、一體機）中，鯤云科技采用輕量化小模型，針對固定場景（如睡崗檢測、人員跌倒）進行優(yōu)化，確保低功耗、低延遲的實時推理能力，用較小的算力可以對大量的事件做實時檢出，對檢測目標和風險問題做到盡量不漏報。

大模型則化身“高級長官”，聚焦最終結果的高精度分析。基于 ViT 架構的大模型技術，通過海量數(shù)據(jù)預訓練與持續(xù)迭代，顯著提升對復雜場景的通用泛化能力，大大降低小模型對于通用概念理解不足造成的誤報，提升算法整體的準確度。

鯤云 AI 智能分析解決方案的大小模型協(xié)同優(yōu)勢明顯。

在實際應用過程中，小模型實現(xiàn)對人、車、環(huán)境、物體的實時感知和初步判斷，經(jīng)大模型進一步判斷復核，剔除誤報和錯誤檢測結果后上傳系統(tǒng)平臺，經(jīng)管理人員核實后跟進處理，大幅降低事件處理成本。小模型的應用可以保障高并發(fā)、低延遲、高檢出率，適用于高密度場景；大模型則可以通過全局特征提取與多模態(tài)融合，提升復雜場景的識別精度。兩者動態(tài)協(xié)同，在同一個設備里就能夠?qū)崿F(xiàn)前端小模型快速響應，保檢出不漏報，后端大模型復核修正，保效果減誤報。在不明顯增加算力成本的前提下，達到“前端不漏、后端不錯”的實際檢測效果。

大小模型融合：性能與精度的雙重提升

除了模型協(xié)同外，鯤云科技還在方案中逐步迭代使用 Hybrid 算法方案，創(chuàng)新性地將卷積神經(jīng)網(wǎng)絡（CNN）與 Transformer 架構、深度學習與傳統(tǒng)視覺算法深度融合，充分融合不同模型和算法的優(yōu)勢，并結合自研芯片架構的優(yōu)勢，從底層硬件到上層應用進行端到端的深度優(yōu)化，實現(xiàn)精度和性能的雙重提升，大大增強了方案的覆蓋面和泛化性。

升級完成后，在業(yè)務端的實際效果提升顯著。在煙火檢測時，大大降低了監(jiān)控場景下對于亮斑、車燈等外觀類似物的干擾，準確率提升超 20%，同時提升了對于異性火、異色煙的檢出。在漏油檢測場景中，通過大小模型深度融合大幅提升了漏油算法的魯棒性，不再受制于陰影、積水、臟污等干擾，誤報率下降超 10%。

AI 技術的真正價值不在于技術的先進性，而在于能否切實解決實際問題。

目前，鯤云已將大小模型協(xié)同+融合的 AI 分析解決方案應用在加油站、油田、化工等場景，以成熟的 CV 小模型推理實現(xiàn)全天候安全監(jiān)護，并由大模型推理對檢測結果進行交叉互檢，確認事件真實性后通知管理人員，降低 90%以上的事件處理成本，提升了煙霧火焰、人員行為、漏油等 400+算法的精準度。

在業(yè)務應用中，“大模型+小模型”的黃金搭檔正在為更多的行業(yè)領域賦能，鯤云將以場景實際需求為導向，持續(xù)優(yōu)化 AI 解決方案，持續(xù)深耕行業(yè)，攜手更多合作伙伴，助力千行百業(yè)的智能化轉型升級。