先进封装稀有缺陷：少样本下的 APDT 正样本学习

新工艺量产初期，缺陷类型零星出现，单类样本常不足十张，负样本驱动的监督模型根本喂不饱。

该先进封装厂在新工艺导入阶段，缺陷形态不断演化，部分稀有缺陷整批产品中仅出现数次。传统监督式缺陷分类需要每类成百上千张负样本才能收敛，而稀有缺陷根本无法在短期内凑齐样本，导致这些缺陷长期处于模型盲区。

为绕开样本短缺，过去只能放宽判据或加人工兜底，结果要么过杀飙升，要么稀有缺陷逃逸。量产爬坡期最怕的恰恰是这类未知新缺陷，一旦逃逸到客户端，追溯成本极高。

DaoAI 产品方案

DaoAI 采用 APDT 正样本学习路线：模型主要学习合格样本的特征分布，任何偏离都被视为可疑，从而无需为每种稀有缺陷预先收集大量负样本。配合 DaoAI World 世界模型对缺陷形态做泛化，即便某类缺陷仅有个位数样本，也能在显微/微米级精度下被稳定识别并分类。

• APDT 正样本学习，以合格样本建模，稀有缺陷无需凑负样本
• DaoAI World 世界模型泛化未见过的缺陷形态
• 新缺陷出现即可快速纳入，不必等批量积累
• 稀有类与常见类统一分类输出，接入现有判级流程

以合格样本建模，稀有缺陷不再是模型盲区，新缺陷当天即可纳管。

落地后，稀有缺陷分类准确率超过 96%，稀有缺陷逃逸率约 0.2%，新缺陷从出现到纳入模型的周期由数周压缩到天级。量产爬坡期的未知缺陷风险被有效控住，工艺团队得以把精力放在工艺改善而非凑样本上。