@erik_kokalj：OpenAI 刚刚发布了 Decisions API，一个基于 GPT-6 Luna、类似「系统1」的多模态快速模型！每个鸡蛋被裁剪并……

OpenAI 刚刚发布了 Decisions API，一个类“系统1“的多模态模型，基于 GPT-6 Luna！

每个鸡蛋都会被裁剪并发送到 OpenAI（延迟约 270ms），返回 P(干净, 脏, 破损) 的概率。 每张图片裁剪消耗约 280 个输入 tokens（约 $0.03/1K 张图）。@roboflow RF-DETR 用于检测鸡蛋。

我敢肯定纯视觉系统比机械式回声检测更快更便宜 哈哈 不过确实，等我们收集到足够的边缘情况训练数据后，就可以用自训模型替换掉 Decisions API，同时在本地运行检测器。

用于生产环境——那肯定的。但如果是 POC 阶段，你在收集训练数据来微调分类器的话，这个方案非常适合快速上手。

同意，但微调分类器需要足够的训练数据，这只是 POC。

有些情况下很难为所有边缘情况收集到足够的训练数据，这时候用通用模型反而更容易更快。 不过训练一个鸡蛋检测器倒是很简单的，因为训练数据可以很快获取。

同意，但微调分类器需要足够的训练数据。

谢谢！

是的！一旦有了足够的训练数据，绝对值得自己训练！

完全同意！

是的——但微调一个准确的分类器需要足够的训练数据，而现在这个是零样本的。

当然，但你需要足够的训练数据来微调分类器。

不是训练的问题，而是很难收集到足够的边缘案例训练数据来微调分类器。

我们需要像这样的滚动传送带来做鸡蛋质检！！ 如果你要问怎么搭建？把这个帖子的链接或截图发给 ChatGPT，让它一步步指导你安装。 POC 阶段你需要一个 USB 摄像头、一个 Jetson（比如 Orin Nano）做计算，然后微调你的检测模型（比如 RF-DETR），Roboflow 是最简单的方式。之后用 AI agent 实现本地推理、跟踪、计数和鸡蛋分类（比如通过 Decisions API）。

你是在问 OpenAI 的基础设施有多强的可扩展性吗？😅

是的，当然，Decisions API 返回的是每个类别的置信度百分比，然后你自己决定怎么处理（设置阈值等）。

需要足够的训练数据来训练一个分类器。

其实跟 ROI 关系不大，主要是很难在数据集中收集到足够多的边缘案例。

你是说用数据集训练一个模型？取决于模型架构和数据集大小，但从几分钟到几小时不等。

问题在于获取边缘案例的训练数据，而不是训练本身。分类器的训练时间大概不到 1 小时，你可以用比如 Decisions API 来做标注。

完全同意 💯

检测用 RF-DETR，分类用 Luna（通过 Decisions API）。

当然可以，用 Jetson 加一个便宜的 USB 摄像头也行。但问题在于很难收集到足够的边缘案例训练数据。

嗯，它其实不是纯视觉模型，你也可以直接发文本给它，所以感知结果不会完全准确。

这个方案适用于项目的 POC 阶段，也就是你在收集训练数据的时候。之后到生产阶段就会微调自己的模型。

纯计算机视觉不够鲁棒。你可以训练一个分类器，但需要足够多的边缘案例训练数据。

是的，检测器（RF-DETR）运行速度快得多，本地可以超过 30fps，但分类器是基于 OpenAI 的。

没错，但在生产环境中你会持续收集边缘案例，积累训练数据，然后微调一个分类器。

不是的，它会单独跟踪每个鸡蛋，只对每个鸡蛋运行三次质量检测（用于验证）。视频中鸡蛋检测通过后会变成绿色（之后就不再检查了）。

完全正确！但要收集足够多的训练数据来微调分类器需要时间。

我们通过目标检测和跟踪来获取视频中每个鸡蛋的 ID。

那是对我回答的跟进，哈哈，两个回答都是对的。

它用的是 RF-DETR，比 SAM 更高效，不过 SAM 确实也能做到且不需要微调。

同意，但你需要收集足够多的边缘案例训练数据来微调分类器。

检测器是微调过的，分类器是零样本的（Decisions API）:)