8月27日举行的IOTE 2026边缘计算产业生态大会上，极视角首次系统解读大小模型协同应用方案。相较于继续讨论“大模型能不能替代小模型”，这一方案把问题改成了更接近生产现场的表达：什么任务应该由大模型做，什么任务应该由小模型做，两者怎样在同一平台上按成本、时延和复杂度协同。产业AI由此从模型选择题，转向系统工程题。
这种转变非常关键。企业已经部署的视觉系统通常拥有多个专用模型和大量摄像头，新需求又越来越复杂。如果把全部任务迁移到大模型，算力和时延压力难以控制；如果只依赖小模型，长尾目标和关联分析又难以覆盖。极视角提出的大模型单独分析、大小模型联动复判、大小模型联动智能决策三种模式，为不同任务提供了可操作的分工框架。
第一种模式：让大模型处理不可穷举的问题
有些产业任务发生频率不高，也不要求秒级响应，但目标和关系很难预先列全。例如对历史视频做异常检索、检查复杂场景中是否存在不符合描述的对象，或根据一段画面总结作业过程。为每一种可能单独训练算法，成本高且覆盖有限。此时，大模型可以按任务、按时段独立分析，利用开放词汇和视觉问答能力寻找线索。
这种方式的关键是选择正确任务。大模型不必全天候扫描所有视频，而应集中处理价值高、长尾多、容许一定时延的问题。平台可以先限定时间、区域和对象范围，再让模型分析，结果由业务规则或人员复核。通过缩小搜索空间，企业既发挥大模型泛化能力，也避免无目标调用带来的成本。
第二种模式：小模型初筛，大模型复判
在安全生产和城市治理中，误报会消耗大量人工。小模型为了避免漏报，阈值可能设置得相对敏感，光照变化、遮挡和相似物体就会触发边界告警。大小模型联动复判的思路，是让小模型继续承担实时筛选，只在告警出现时调用大模型结合上下文判断“是不是真的”。
这一设计把计算资源用在少量疑难片段上。小模型保持低成本和高并发，大模型利用更强语义理解减少无效告警，业务人员面对的是经过二次筛选的事件。系统还可以记录被大模型否定或确认的样本，反向优化专用模型。复判因此不只是一次判断，也是持续改进数据质量的入口。
第三种模式：从识别走向处置建议
更进一步的协同，是小模型先识别目标，大模型再结合规则完成关系推理和风险分级。例如系统发现人员、设备和区域后，可以继续判断动作是否符合流程、事件是否需要立即处置，并把画面信息整理成结构化说明。视觉系统由“发现物体”转向“解释事件”，管理链条也由被动查看告警转向主动研判。
处置建议必须受到业务规则约束。大模型可以辅助归纳和分析，但涉及安全、生产和公共治理的决策仍需明确责任人和复核机制。平台应保留触发画面、模型版本、规则依据和人工结果，使每次处置可追溯。只有把模型输出放进真实流程，智能决策才不会停留在演示层。
极星平台承担协同中枢
大小模型分工看似清楚，落地时却涉及大量管理问题：不同模型运行在哪里，哪个告警触发复判，算力不足时如何排队，结果怎样送到上层系统，模型升级后效果是否变化。极星大小模型推理应用平台连接前端设备、视觉算法、异构算力和业务应用，承担统一聚合、编排与管理。
平台的意义，是把协同规则从项目代码变成可配置能力。客户可以根据场景选择单独分析、联动复判或联动决策，设置优先级和调用条件，并监控资源与结果。模型因此不再各自为战，新增能力也可以在统一框架中测试。对于拥有众多点位的大型企业，管理效率往往比单个模型参数更决定总体成本。
一个工业案例呈现规模化形态
公开报道提到，极视角在某大型铝业集团的五大核心车间落地了50多个大小模型应用场景，其中包括30多个大模型任务，用于覆盖高温、高粉尘、高腐蚀环境下的设备与作业问题。这一案例来自企业活动分享，具体效果仍应以项目验收为准，但其规模提供了一个重要观察角度：协同方案不是只在单个摄像头上演示，而是尝试管理多车间、多任务和多种模型。
工业现场的挑战恰恰来自规模。点位越多，长尾异常越多，模型分散和运维复杂度越容易上升。以平台统一纳管后，小模型守住高频安全任务，大模型补充长尾检测和复杂判断，团队可以按业务价值逐步扩展，而不必一次性重建全部系统。这种渐进式升级更符合大型企业的实施节奏。
协同路线让产业AI回到投入产出
大小模型协同最终要回答经济问题。小模型节省持续推理成本，大模型减少长尾开发和人工复核，平台降低多模型管理复杂度。三者共同作用，才能把AI覆盖范围扩大到更多场景。若只比较某个模型的准确率，很难看见系统层面的价值；若比较单位点位成本、有效告警率、人工复核时间和新增场景周期，协同优势才会被量化。
极视角的基础在于，它同时拥有1500余种专用算法、星际视觉语言大模型和推理平台，不需要在大小模型之间做单一押注。IOTE上的新方案把这些资产组织成三种可执行模式，也让外界更容易理解公司的产品逻辑：不是销售一个万能模型，而是根据现场任务调度不同智能。产业AI走向深水区后，这种尊重成本、时延和流程的系统化能力，可能比单一技术热点更接近长期需求。
协同方案首先是一张成本表
企业选择模型时，需要把准确性、时延、算力和人工复核放在一起计算。小模型便宜但覆盖有限，大模型灵活但调用成本更高，人工复核可靠却难以规模化。三种协同模式的价值，是让客户按任务组合成本，而不是被迫选择单一技术路线。
例如，高频明确任务可由小模型持续运行，边界告警再由大模型复判；低频复杂任务按时段调用大模型；关键结果保留人工确认。每一层只处理适合自己的工作，总成本和风险都更容易控制。
协同也改变一线工作方式
过去，一线人员可能面对大量独立告警，需要在多个系统中逐一判断。大小模型协同后，告警可以先被聚合、复判和解释，再按风险级别进入工单。工作人员看到的不只是截图，而是对象、时间、位置和初步原因。
这会把人的角色从重复筛查转向处理真正重要的事件。人工结果又能反馈给模型，形成持续优化。系统是否好用，不再只看识别准确率，还要看是否减少无效工作、是否缩短处置时间以及能否被现有班组接受。
从单厂实践走向行业模板
铝业案例展示了多车间、多任务统一管理的形态，但规模化仍要把个案经验变成行业模板。哪些任务适合实时小模型，哪些适合大模型复判，常见摄像头如何接入，报警怎样分级，都可以从项目中沉淀。
极视角覆盖制造、能源、交通和城市治理等场景，具备比较不同项目的基础。若极星平台能够把协同策略配置化，同类客户就可以复用成熟组合。大小模型协同由此不再是一项定制方案，而会成为产业视觉系统升级的标准方法。
三种模式让方案可以分步实施
企业不必一次部署完整协同体系。可以先在误报较多的场景加入大模型复判，再选择少量长尾任务做独立分析，最后把成熟结果接入决策流程。每一步都有清晰目标和反馈，降低组织与技术同时变化带来的实施压力。
分步实施也便于计算投入产出。客户能够比较人工复核时间、有效告警比例和新增场景周期，决定下一阶段扩展范围。极视角把协同拆成三种模式，使复杂架构变成可选择的产品路径，更接近企业真实采购和建设节奏。
当每一步都能用数据评价，技术升级就不必依赖概念推动。减少多少误报、节省多少复核时间、覆盖多少新任务，都可以成为扩展依据。极视角的协同方案由此把大模型放进可衡量的生产体系，让新能力与既有视觉投资共同发挥作用。
本文作者可以追加内容哦 !
