全国电力视觉感知与推理大模型评测数据
收藏资源简介：
本数据可作为“标准化考卷”，量化评估基座大模型（如GPT-4V）及行业专用模型在电力场景下的细粒度感知、逻辑推理及幻觉抑制能力，为基座大模型应用于电力视觉领域的科学评估和能力诊断提供了标准化工具。一，多维度能力体检，从感知层（能否看清微小裂纹、识别复杂设备部件）、知识层（是否理解电力安规、设备原理）到推理层（能否基于视觉信息推断故障成因、预测潜在风险），全方位量化模型的“智商”与“专业度”。二，细粒度诊断与纠偏，通过12项细分任务和130类精细标签，该评测不仅能给出“多少分”，更能给出“错在哪”。三，长尾场景与幻觉监测，特别针对电力行业“样本少、危害大”的长尾故障（如鸟巢异物、绝缘子微裂）进行重点测试，评估模型是否会出现“一本正经胡说八道”的幻觉现象，为基座大模型的行业化微调（SFT）提供精准的靶向数据支持。一、加工前的数据说明 本数据的基础底座严格遵循国际开源协议与数据主权规范，主要溯源自GitHub开源社区中汇集的电力巡检公开数据集。在数据汇聚阶段，严格通过平台官方提供的Git Clone接口或公开授权的下载通道获取原始素材，完整保留了源数据的溯源链路，确保了采集渠道的合法性、合规性与透明度，这些原始数据构成了本数据的素材基础。在加工前，团队对原始素材实施了严格的去标识化与匿名化处理，利用机器视觉算法对图像中可能涉及的巡检人员人脸、工作工牌以及特定变电站地理位置、车辆号牌等敏感公共/个人隐私区域进行不可逆的马赛克模糊与像素置零，确保不可通过任何可逆模型或逆向算法还原出原始敏感数据，完全符合数据安全与合规标准。 二、处理规则 针对汇聚的底座素材，本数据建立了“机器自动化预筛系统+专家多轮交叉校核”机制，实施多维度清洗与异常值处理，精准剔除模糊、过曝、畸变及非业务场景的冗余帧；此外，以200:1的严苛比例对候选数据进行逻辑一致性核验与纠错，将完全缺乏标注、无标签状态的原始底库从50.8万张精简至16.8万张高质量核心候选图像。在提示构建阶段，围绕“基础视觉感知、电力专家知识推理、复杂场景多模态理解”3大维度与12项具体任务（涵盖设备目标检测、细粒度缺陷分割、故障根因分析、运行报告生成等），借助DeepSeek的强逻辑推理能力与Qwen2.5-VL的视觉感知能力联动理解图像语义。首先预先为每项任务构建中英双语提示模板，再由大模型基于图像潜在区域自动生成针对性强、符合电力工业逻辑的基础问题、多项选择选项与标准答案；最后，利用Python脚本对选项及答案进行随机打乱与格式对齐，彻底消除位置偏见（Position Bias），形成标准化的结构化大模型评测集。 三、数据内容与应用场景描述 最终形成的数据结构由高质量图像数据与结构化的JSON格式评测数据（问答对）组成，内容精准覆盖30类电力主设备（如变压器、断路器、隔离开关、绝缘子等）与130种细粒度故障（如硅胶变色、渗漏油、金属锈蚀等）。该数据集合所能解决的主要应用场景问题在于：改变了过去电力视觉算法仅能评估单一检测目标的局限，直击当前行业大模型在无人化巡检中“看而不懂、缺乏行业知识、跨场景泛化差”的落地痛点。通过将海量无标签图像转化为结构化的多任务评测样本，首次实现了对视觉大模型在电力工业复杂现场下“看懂图像、结合知识、推导。
