先進封裝稀有缺陷：少樣本下的 APDT 正樣本學習

新工藝量產初期，缺陷類型零星出現，單類樣本常不足十張，負樣本驅動的監督模型根本餵不飽。

該先進封裝廠在新工藝導入階段，缺陷形態不斷演化，部分稀有缺陷整批產品中僅出現數次。傳統監督式缺陷分類需要每類成百上千張負樣本才能收斂，而稀有缺陷根本無法在短期內凑齊樣本，導致這些缺陷長期處于模型盲區。

為繞開樣本短缺，過去只能放寬判據或加人工兜底，結果要麼過杀飙升，要麼稀有缺陷逃逸。量產爬坡期最怕的恰恰是這類未知新缺陷，一旦逃逸到客戶端，追溯成本極高。

DaoAI 產品方案

DaoAI 采用 APDT 正樣本學習路線：模型主要學習合格樣本的特征分布，任何偏離都被視為可疑，從而無需為每種稀有缺陷預先收集大量負樣本。配合 DaoAI World 世界模型對缺陷形態做泛化，即便某類缺陷僅有個位數樣本，也能在顯微/微米級精度下被穩定識別並分類。

• APDT 正樣本學習，以合格樣本建模，稀有缺陷無需凑負樣本
• DaoAI World 世界模型泛化未見過的缺陷形態
• 新缺陷出現即可快速纳入，不必等批量積累
• 稀有類與常見類統一分類輸出，接入現有判級流程

以合格樣本建模，稀有缺陷不再是模型盲區，新缺陷當天即可纳管。

落地後，稀有缺陷分類準確率超過 96%，稀有缺陷逃逸率約 0.2%，新缺陷從出現到纳入模型的周期由數周壓縮到天級。量產爬坡期的未知缺陷風險被有效控住，工藝團隊得以把精力放在工藝改善而非凑樣本上。