Liquid d1-ultra 發布：製造異常初篩需要連結圖片、判定規則與工單

公開動態與原創分析 · 消息日期: 2026-10-15 · 消息來源

圖文決策模型為製造企業增加異常初篩的技術選項。真正影響現場效率的，是檢驗圖片能否對應產品與規格版本、疑似異常能否進入正確的複核佇列。墨客雲數位員工可圍繞一筆檢驗紀錄組織資料與交接，讓品質人員集中處理需要專業判斷的對象。

新動態：圖文輸入與結構化判斷

Liquid AI 於2026年10月15日發布 d1-ultra，提供託管 API。官方說明支援文字與圖片輸入，對預設問題回傳機率、類別或評分，使用情境包括電路板缺陷檢查。本文關注此應用方向，未採用官方領先排名作為現場品質成效依據。

官方決策模型文件將 d1-ultra 列為託管模型，與可下載權重的其他 d1 型號分別列出。企業評估時需確認具體服務、資料處理條件與介面；本文未呼叫此模型，亦未完成墨客雲對該服務的適配驗證。

以下為電子製造的分析情境。一批檢驗圖片陸續進入品質團隊，分別對應產品批次、不同規格與拍攝角度。品質人員需要先補齊背景，再區分疑似連接異常、圖片不清及需要補充檢測的紀錄，才能安排複核。

生產希望儘快流轉，品質團隊需要控制漏檢與誤判。外觀相似的零件可能適用不同公差；清晰圖片也只能支持可見特徵判斷。電氣性能或內部結構的結論，仍應依靠對應檢測紀錄與專業人員。

適合交給數位員工準備的成果，是一筆完整的異常待複核紀錄：保留原圖、產品與批次識別、拍攝條件、規格版本、初篩結果、缺失資料與接收崗位。圖片與產品關聯不明時，先補資料，避免將未知對象歸入正常佇列。

模型機率用於安排複核順序時，需要以企業樣本檢查其與實際錯誤的關係。門檻應結合漏檢影響、複核量能與圖片品質確認。高機率疑似異常、低把握紀錄與無法讀取的圖片，均應有明確去向；產品放行仍沿用既有品質責任。

墨客雲公開產品體系涵蓋企業知識、系統串接、任務編排與流程執行。圍繞檢驗紀錄，可設計由知識層提供現行規格與來源，串接層連結批次及品質資料，編排層組織補拍、資料補充與專業複核，形成統一的待處理對象。

圖文模型在這段工作中承擔限定範圍的初篩。品質人員處理專業結論，獲准後再依企業規則更新工單或交接紀錄。具體 MES、品質系統、圖片儲存介面與模型服務需逐項適配；方案可先從已授權匯出紀錄與複核草稿開始。

這條路徑讓規格、圖片與複核意見隨同一對象流轉。墨客雲的業務位置落在資料準備與崗位交接上；企業可據此定位耗時步驟及反覆退回的異常，確認後續串接範圍。

在上述情境中，數位員工彙整一塊電路板的圖片與適用規格，登記可見的疑似針腳異常，交給品質人員確認。若角度遮擋關鍵部位，則產生補拍任務並保留原始紀錄。補充圖片回來後，再進入同一筆複核事項。

專業人員確認後，依企業既有規則連結重工、複檢或其他處置任務。工單建立、負責人接收、處置完成與最終品質結論分別記錄。僅產生異常描述的步驟，可驗收為資料準備完成；完整交付還需要對應工單與負責人狀態。

首批可選規格清楚、圖片條件相對穩定的一類可見缺陷，保留人工複核。統計範圍涵蓋正常、異常、圖片不清與資料缺失樣本，分別觀察漏檢、誤報、補拍及每筆紀錄的準備與複核總時間。

業務目標是減少背景資料整理與重複分派，實際節省由試點紀錄確認。企業可用去識別化檢驗樣本與既有複核表進行情境診斷，明確第一份異常紀錄、人工決定及系統交接標準。

墨客雲編輯部 · neo@mokyun.com