一、图像理解模型微调的方式选择

方法一：Prompt工程

什么情况下适合Prompt ? 当任务需求较简单、模型已有基础能力覆盖目标场景时，优先选择Prompt工程。例如：

1. 基础识别任务：检测图像中是否包含特定物体（如“识别图片中的猫”）、提取基础属性（如“判断图片颜色基调”）。
2. 格式简单且稳定的输出需求：需要模型返回固定格式的结果（如“是/否”“包含XX物体”），且现有模型通过Prompt优化即可满足精度要求。
3. 快速验证场景：无需长期部署或高频迭代，仅需临时调用模型能力验证业务逻辑。

优势：

• 成本低：无需训练模型，直接利用预训练模型能力，节省算力、时间和开发成本。
• 通用性强：不改变模型参数，避免因微调导致的通用能力下降，适合跨场景复用。

方法二：SFT（监督微调）

什么情况下适合SFT？ 当Prompt工程无法满足需求时，需通过SFT进一步优化模型，典型场景包括：

1. 任务能力不足：

• 模型对目标任务“完全不会”或“基本不会”（如检测AI生成图的人体结构异常、复杂场景下的违规内容识别）。
• 输出格式不稳定或错误率高（如需要模型输出多维度检测结果时，Prompt无法保证结构化数据的准确性）。

2. 精度要求高：

• 业务场景对检测准确率、召回率有严格指标（如医疗影像瑕疵检测），需通过定制化训练提升模型针对性。

3. 长期部署需求：

• 需将模型集成至业务系统中高频调用，且需持续优化迭代（如UGC图片质检员）。

优势：

• 针对性强：通过标注数据定向优化模型，提升特定任务的检测精度，解决Prompt无法覆盖的复杂逻辑（如结合图像+文本的多模态审核）。
• 输出可控：可强制约束模型按业务需求输出固定格式（如JSON结构化结果），减少随机性。

注意事项：

• 成本权衡：需投入数据标注、模型训练、部署维护成本，且可能导致模型通用能力下降，需优先评估业务必要性。
• 数据门槛：需准备高质量标注数据（如瑕疵类型标注、违规内容样本），数据量与任务复杂度正相关。

二、数据准备与模型训练

1.数据准备

数据质量与规模是图像理解SFT成功的核心基础，需从内容、格式、数量三方面精细化把控，具体要求如下：

A. 数据质量：宁缺毋滥，对标业务需求

1. 内容与格式双重对齐

• 内容一致性：标注数据需严格匹配目标任务输出逻辑。例如，若需检测“AI生成图人体结构异常”，标注需明确区分关节扭曲、比例失调等细分问题，避免模糊描述。
• 格式标准化：输出格式需与业务系统兼容（如JSON结构化结果、文本分类标签），避免依赖模型泛化能力转换格式，建议通过**手工标注+大模型改写**生成高质量数据，确保格式统一。操作示例：先用人工标注100条标准数据，再通过Prompt指令让大模型参考人工标注逻辑，批量改写剩余数据（如“请按照示例格式，为图像生成包含‘瑕疵类型+位置’的JSON结果”）。

2. 拒绝低质数据

• 低质数据（如标注错误、模糊样本）会导致模型学习噪声，宁可减少数据量也不盲目扩充。

B. 数据组合策略

• 通用数据价值：补充模型在预训练阶段未覆盖的长尾场景，提升泛化能力。
• 比例建议：普通任务按业务数据:通用数据=10:1配置；复杂任务按5:1增强模型对新领域的适应性。

总结：数据准备需遵循“质量优先、量随难增、动态调参”原则，通过精准标注、合理配比、科学训练轮次，最大化提升图像理解模型的微调效率与业务落地效果。

C. 数据量：按任务难度阶梯式配置

2.模型训练策略

Step1: 数据清洗与增广

对收集到的原始业务数据进行清洗，去除噪声、错误标注等无效数据；通过数据增强等手段（如图像变换、文本改写）扩充数据集规模，增强模型泛化能力。

Step2:模型训练预实验

1. 实验模型选择：在数据量充足的情况下，7B小模型与72B大模型在业务垂域任务上的性能差异较小，建议优先考虑7B模型以降低成本，聚焦业务场景需求。可以先选用2B - 7B规模的小体量图像理解模型，快速验证训练流程和数据可行性；不满足需求时，可以选择较大体量模型训练并查看效果。
2. 参数设置：采用较高学习率（1e - 5）和较长训练轮次（10轮），同时可以开启Checkpoint保存策略，按照Epoch保存的方式保存10个模型权重，加速模型训练进程，促使模型在训练集上充分学习数据特征。
3. 训练集验证：训练完成后，优先在训练集上进行测试，以验证数据质量、训练框架底层逻辑是否存在问题。若模型在训练集上无法有效学习，需回溯检查数据标注或训练配置。
4. 数据形态配比消融：若业务数据存在多种形式，在此阶段进行不同形态数据的配比实验，确定最优数据组合方式，提升模型训练效果。

Step3:超参数优化与确定

1. 结合验证集调整：在训练集测试通过后，利用验证集上的loss曲线，对训练轮次（epoch）、业务数据与通用数据配比、学习率、batch_size、序列长度等超参数进行系统性调整与优化。
2. 多轮迭代优化：通过多轮训练与参数调整，观察模型在验证集上的性能变化，找到各超参数的最优组合，平衡模型的拟合能力与泛化能力。
3. 建议的训练轮次：

• 小模型（如4B参数）：复杂任务需训练10个epoch以上，测试集Loss可能持续下降（需监控过拟合风险）。

• 中大型模型（7B~70B参数）：

  • 7B模型：常规任务训练5个epoch左右，超过易过拟合；
  • 70B模型：仅需2个epoch即可收敛，过多轮次易导致泛化能力下降。
• 关键动作：通过验证集监控Loss曲线，在Loss停止下降或开始上升时及时终止训练，避免过拟合。

Step4:训练方法与策略选择

1. 微调方式选择：

• 学界常用LoRA：适用于资源有限场景，可有效减少参数量，降低计算成本。
• 工业届全量调优：在资源充足、追求极致性能的场景下使用，可充分利用模型参数进行优化。

2. 模型层调整策略：

• 输出格式优化：若仅需调整输出格式，重点微调LLM部分即可，可以选择冻结VIT模块。
• 新知识学习：当涉及全新知识时，需同时放开VIT、LLM及中间层进行训练；若业务数据与预训练数据差异大，建议解冻VIT层以提升收敛稳定性；对于复杂任务，全放开训练更有助于模型学习。

三、图像理解最佳实践

1.UGC图片质检场景描述

随着AI生图工具普及与用户创作热情高涨，UGC生态迎来爆发式增长，无论是社交平台的创意作品，还是电商场景的商品图，都展现出全民创作的活力。但繁荣之下，质量与安全问题凸显：AI生成图像因模型缺陷出现模糊、失真、比例扭曲及人体结构异常等问题；用户自主上传内容也因拍摄或后期处理不当，存在暗角、畸变等瑕疵，甚至包含违规展示。这些低质与违规图像不仅影响用户体验，还可能引发消费纠纷、触碰内容安全红线。因此，构建完善的UGC图片审核与质检体系，成为保障数字生态健康发展的关键。

2.平台实现步骤

Step1: 创建SFT图像理解任务

• 在千帆ModelBuilder上，选择「模型精调」→「SFT」，作业类型选择「图像理解」，并选择基础模型Qwen2.5-VL-7B-Instruct，此模型在视觉理解、文档解析、视频理解等方面表现出色，具备强大的多模态能力。
• 选择「LoRA」训练方法，仅更新少量参数，能大幅降低计算量与内存占用，适配有限算力环境；同时，不修改预训练模型原始权重，可避免灾难性遗忘，在增强图像理解能力时保留模型多模态任务的原有性能，实现高效灵活的优化。

• 参数配置如下，基于前期重复实验数据，对关键参数进行了针对性优化调整（下文中做出解释），以提升模型在复杂图像场景下的整体表现。

Step2: 数据配置

本平台提供预置数据集，涵盖UGC场景中 6 种常见瑕疵类型：

1. 图像模糊：包括对焦不准、动态模糊等导致主体细节丢失的图像问题；
2. 颜色失真：因色彩偏差、过曝、偏色等导致视觉效果偏离真实场景的现象；
3. 比例扭曲：图像中主体或构图出现拉伸、压缩等比例异常问题；
4. 边框：非内容主体的多余边框、黑边或装饰性边框干扰视觉效果；
5. 暗角：图像四角出现亮度显著低于中心区域的暗化现象；
6. 残肢缺陷或多肢异常：人物或生物肢体结构缺失、变形或多出异常肢体的缺陷。

数据收集采用公开平台采集与AIGC生成双轨制，并进行人工复核：

• 公开平台采集：通过图搜工具，以瑕疵类型关键词定向抓取 UGC 公开平台的真实图像数据。
• AIGC 图像生成：针对残肢缺陷或多肢异常等难以通过现实采集覆盖的瑕疵，采用 AI 生成技术补充数据。您也可以探索千帆精选大模型，自行使用如ERNIE iRAG等图像生成模型（文生图模型）进行数据生成。

基于实际需求与数据获取的可行性，数据分布如下。正常图像获取相对容易、在UGC场景中占比较高；“图像模糊”等瑕疵通过数据增强批量生成，该类瑕疵间数量相近；“残肢缺陷或多肢异常”瑕疵，因AIGC生成成本高、审核严格，数量较少，同时保证一定样本量以满足模型对特殊瑕疵的学习需求，确保模型能准确识别各类瑕疵并良好泛化。

部分数据样例如下：采用Prompt+Image+Response的格式，并在提示词中给出审核标准与回答规则。

Prompt	Image	Response
{"role": "user", "content": "\n你是一个专业的UGC图片质检审核员，我会提供一张用户上传的图片、一系列质量问题和对应的质检标准，以及我希望的输出格式要求。请根据提供的图片和质检标准，判断该图片是否符合每个标准，并按照固定 JSON 格式返回结果。\n\n# 可能的质量问题: 图像模糊、颜色失真、比例扭曲、边框、暗角、残肢缺陷或多肢异常;\n\n# 质检标准\n1. 图像模糊: 图片模糊不清，细节不清晰，无法辨认物体或文字;\n2. 颜色失真: 图片颜色失真，色彩不自然或过于鲜艳，或者颜色偏差明显;\n3. 比例扭曲: 图片中出现比例扭曲，如图像拉长、拉宽、变形等;\n4. 边框: 图片四周有明显的边框或边缘处理不当;\n5. 暗角: 图片四个角落的亮度明显暗于图片中央区域;\n6. 残肢缺陷或多肢异常: 重点关注图片中出现的人体存在不合理的地方，例如，奇怪的形体，多余或缺少的四肢，奇怪的手指或脚趾等异常情况，只要存在任何不合理的情况，就存在该质量问题;\n\n# 输出格式:\n一个完整的JSON, 不需要任何其它无关解释\n# 输出格式说明:\n一共返回1行JSON, 包含1个字段:result。result的值是你的判断结果, 如果存在某个质量问题, 则出现该质量问题, 否则不出现。如果存在多个质量问题, 用","分隔。如果一个质量问题都没有, 则返回"正常"。\n\n<输入图片>:\n<输出>:\n"}		{ "result": "图像模糊"}
{"role": "user", "content": "\n你是一个专业的UGC图片质检审核员，我会提供一张用户上传的图片、一系列质量问题和对应的质检标准，以及我希望的输出格式要求。请根据提供的图片和质检标准，判断该图片是否符合每个标准，并按照固定 JSON 格式返回结果。\n\n# 可能的质量问题: 图像模糊、颜色失真、比例扭曲、边框、暗角、残肢缺陷或多肢异常;\n\n# 质检标准\n1. 图像模糊: 图片模糊不清，细节不清晰，无法辨认物体或文字;\n2. 颜色失真: 图片颜色失真，色彩不自然或过于鲜艳，或者颜色偏差明显;\n3. 比例扭曲: 图片中出现比例扭曲，如图像拉长、拉宽、变形等;\n4. 边框: 图片四周有明显的边框或边缘处理不当;\n5. 暗角: 图片四个角落的亮度明显暗于图片中央区域;\n6. 残肢缺陷或多肢异常: 重点关注图片中出现的人体存在不合理的地方，例如，奇怪的形体，多余或缺少的四肢，奇怪的手指或脚趾等异常情况，只要存在任何不合理的情况，就存在该质量问题;\n\n# 输出格式:\n一个完整的JSON, 不需要任何其它无关解释\n# 输出格式说明:\n一共返回1行JSON, 包含1个字段:result。result的值是你的判断结果, 如果存在某个质量问题, 则出现该质量问题, 否则不出现。如果存在多个质量问题, 用","分隔。如果一个质量问题都没有, 则返回"正常"。\n\n<输入图片>:\n<输出>:\n"}		{ "result": "残肢缺陷或多肢异常"}

Prompt设计如下：在监督微调（SFT）阶段进行数据准备时，可将以下独立Prompt设计作为参考标准；同时，该设计也适用于模型完成微调并部署后的调用测试环节，用以验证模型对指令的响应准确性与任务执行能力。

1PROMPT = """
2你是一个专业的UGC图片质检审核员，我会提供一张用户上传的图片、一系列质量问题和对应的质检标准，以及我希望的输出格式要求。请根据提供的图片和质检标准，判断该图片是否符合每个标准，并按照固定 JSON 格式返回结果。
3?
4# 可能的质量问题: 图像模糊、颜色失真、比例扭曲、边框、暗角、残肢缺陷或多肢异常;
5?
6# 质检标准
71. 图像模糊: 图片模糊不清，细节不清晰，无法辨认物体或文字;
82. 颜色失真: 图片颜色失真，色彩不自然或过于鲜艳，或者颜色偏差明显;
93. 比例扭曲: 图片中出现比例扭曲，如图像拉长、拉宽、变形等;
104. 边框: 图片四周有明显的边框或边缘处理不当;
115. 暗角: 图片四个角落的亮度明显暗于图片中央区域;
126. 残肢缺陷或多肢异常: 重点关注图片中出现的人体存在不合理的地方，例如，奇怪的形体，多余或缺少的四肢，奇怪的手指或脚趾等异常情况，只要存在任何不合理的情况，就存在该质量问题;
13?
14# 输出格式:
15一个完整的JSON, 不需要任何其它无关解释
16# 输出格式说明:
17一共返回1行JSON, 包含1个字段:result。result的值是你的判断结果, 如果存在某个质量问题, 则出现该质量问题, 否则不出现。如果存在多个质量问题, 用","分隔。如果一个质量问题都没有, 则返回"正常"。
18?
19<输入图片>:<ImageHere>
20<输出>:
21"""

Step3: 发布模型与开始训练

训练结束后发布为新模型，也可以在训练后的评估报告中选择合适的Checkpoint进行模型发布。

在此说明checkpoint 保存的目的：

• 模型恢复：在训练过程中，可能会因为各种原因导致训练中断。保存 checkpoint 可以让训练从上次保存的状态继续，而不必从头开始，节省大量的时间和计算资源。
• 模型评估与选择：通过保存不同训练阶段的 checkpoint，可以在验证集上评估模型在各个阶段的性能。这样有助于确定模型是否出现过拟合，以及选择在验证集上表现最佳的模型作为最终模型。例如，如果在某个 checkpoint 之后，模型在验证集上的准确率开始下降，而训练集上的准确率仍在上升，就可能出现了过拟合现象，此时可以选择之前表现较好的 checkpoint 对应的模型。
• 模型对比与分析：保存多个 checkpoint 可以方便对比不同训练阶段模型的参数变化，分析模型的训练过程，了解模型是如何随着训练逐渐收敛或出现过拟合等情况的，从而为改进模型提供依据。

Step4: 结果查看与分析

• 您可以通过查看“评估报告”以及在训练过程中或结束后的“训练过程可视化”来监测实验进度和训练情况。平台提供多种指标以评估训练效果，主要关注指标Loss（训练集、验证集每个Step的损失）和Validation Token Accuracy（验证集每个Step中token正确预测的比例）以确认模型效果。观察结果，Training Loss和Validation Loss曲线趋势大致吻合，最后收敛。观察Validation Token Accuracy，预测正确率达到98%以上，满足实际使用场景需要。

Step5: 模型部署与效果快速评估

• 配置成功后，在平台即可一键开启模型训练，训练完成后一键部署至千帆ModelBuilder，部署后即可创建在线推理服务。在创建服务中，选择合适的算力单元进行购买，即可在业务上部署属于您自己精调后的大模型。部署完成后，您不仅可以调用API实现业务效果，在调用前也可以在体验中心验证模型效果，进而再进行选择。
• 对图像理解模型可以进行测试评估，在下文中【3.2 评估结果】展示了我们的评估效果，供您参考。您可以在平台部署模型，参考【2.2 数据样例】中的Prompt对具体case进行调用测试。

3.模型调用结果

3.1 模型调用效果对比

结论1：SFT在多模态领域效果显著，能强化模型对图像类多模态数据的关联学习与综合处理能力，提升复杂场景下的任务表现。

您可通过平台便捷完成模型部署流程，对检测结果中的不良案例（bad case）进行深度溯源与归因分析，精准定位模型误判、漏检的关键因素。模型调用时，建议采用以下标准化Prompt指令；经实际测试验证，调用前后的检测结果对比如下所示，呈现模型的优化效果与应用表现。

3.2 评估结果

结论2：在整体准确率与瑕疵召回率指标上，SFT模型实现了突破性提升，针对比例扭曲、边框异常、暗角缺陷及人体结构畸变（残肢/多肢异常）等高复杂度瑕疵类型，检测精度提升尤为显著，有效验证了SFT策略在强化UGC图像质检能力方面的有效性与优越性。

在评估集上，对比<基模型>和<SFT模型>的效果，指标结果见下文。选择准确率和召回率评估，准确率能直观体现模型整体预测的正确性，避免误判；召回率则专注衡量模型对正例样本的捕捉能力，防止漏检，二者从不同关键维度全面反映模型性能。 实验结果表明，经SFT训练后的模型在检测性能上显著优于基础模型，整体模型准确率上升30%，不同类型下，召回率平均上升49%。

• 准确率

• 召回率

3.3 总结

千帆ModelBuilder所提供的多模态训练方式在图像理解SFT任务中展现出优异性能，不仅适用于当前UGC内容审核、图片质检等场景，还可拓展至医疗影像分析、智能安防监控等跨领域应用，有效解决多模态数据融合与复杂场景识别难题。同时，平台集成丰富的基础模型资源，并构建了覆盖数据准备、专业标注、高效训练及便捷部署的全链路流程，通过标准化与自动化的工具链，大幅降低多模态大模型微调的技术门槛与成本，为企业及开发者提供从技术研发到业务落地的一站式解决方案，加速多模态AI技术的创新与产业化进程。