在大模型能力日益强大的背景下，为何仍需小模型？本文将解析“大小模型协同分析”这一智能新范式，揭示其如何实现1+1>2的效果。
什么是大小模型协同分析？
✔ 核心机制：优势互补，双重校验
该方案通过将小模型的快速分析结果提交给大模型进行二次复核，充分发挥两者优势。小模型负责初步筛选，大模型负责精准研判。
▲大小模型协同分析作用机制
解决的核心痛点
单一小模型分析：虽然速度快，但误报率较高。
单一一大模型分析：算力需求高、资源消耗大，难以满足业务实时性要求。
✔ 协同优势：兼顾实时性与准确性
两大协同分析模式
模式一：检相同目标（保留机制）
适用场景：当小模型存在误检，而大模型能准确检出时，系统保留大小模型分析一致的结果，从而提升准确率。
▲模式一：保留
模式二：检不同目标（过滤机制）
适用场景：针对目标相似度高、大小模型均可能误检的情况。通过单独训练一个识别误检目标的大模型，专门用于过滤小模型的误检结果。
注：仅支持在算法应用编排平台中使用。
▲模式二：过滤
三种使用方式
1. 开放能力（下载即用）
提供特定场景的协同包，用户可直接下载使用。
操作流程：定位场景 → 点击导出模型 → 选择应用类型 → 选择模型效果增强算法包
▲开放能力导出大小模型协同包
2. 一站式训练平台（自定义训练）
支持一键训练协同包，可自定义检测及属性标签。
操作流程：在模型训练时，网络选择高性能，并勾选【模型效果增强】。
注：目前支持物体检测模型-矩形标注、混合模型-矩形标注；支持AI超脑-KT2/KT5、AI服务器-KT5、AI摄像机-H9/G10等应用类型。
▲通用算法训练
▲典型应用训练
3. 算法应用编排平台（灵活定制）
需手动配置，支持灵活定制算法。用户可按需选择大小模型协作模式及参与大模型二次分析的标签。
操作流程：选择小模型 → 选择大模型 → 配置大小模型协同关系 → 在线测试（可选) → 导出使用
▲上下滑动，查看操作流程
两种部署方案
方式一：导入模型效果增强包
操作流程：导入模型效果增强包 → 分配引擎资源 → 选择分析模式 → 配置IED分析规则 → 检查是否已启用二次分析去误报
▲上下滑动，查看操作流程
方式二：分别导入大模型和小模型
操作流程：导入小模型、大模型 → 配置用于二次分析的引擎资源 → 勾选所需关联的小模型 → 配置二次分析目标属性 → 完成小模型任务配置 → 启用二次分析去误报
▲上下滑动，查看操作流程
【AI开放平台】大小模型协同分析，欢迎前往体验。