MMVIAD：用于工业异常检测的多视图多任务视频理解

工业异常检测对于制造质量控制至关重要，但现有数据集主要集中于静态图像或稀疏视图，不能完全反映真实工业场景中的连续检测过程。我们介绍了 MMVIAD（多视图多任务视频工业异常检测），据我们所知，这是第一个用于工业异常检测和理解的连续多视图视频数据集，以及多任务评估的基准。 MMVIAD 包含以对象为中心的 2 秒检查片段，摄像机运动角度约为 120 度，涵盖 48 个对象类别、14 个环境和 6 种结构异常类型。它支持异常检测、缺陷分类、对象分类和异常可见时间定位。对 MMVIAD 的系统评估表明，当前的商业和开源视频 MLLM 仍远低于人类表现，特别是在细粒度缺陷识别和时序定位方面。为了提高可转移异常的理解，我们进一步开发了一个两阶段的 后训练 管道，其中 PS-SFT（感知结构监督 微调）初始化感知结构推理，VISTA-GRPO（基于可见性的工业结构化时间异常组相对策略优化）通过语义门控缺陷奖励和可见性感知时间奖励细化模型，产生最终模型 VISTA。在 MMVIAD-Unseen 上，VISTA 将基础模型在四项任务中的平均得分从 45.0 提高到 57.5，超过了 GPT-5.4。源代码可在 https://github.com/Georgekeepmoving/MMVIAD 获取。