用专用分割强化智能体视觉语言模型，实现细粒度车辆损伤评估

论文研究视觉语言模型在车辆损伤评估中的空间定位缺陷，指出Qwen-VL语义分类准确率高但空间接地不可靠，并提出TinyDamage混合架构，集成专用分割模型与7节点LangGraph流程，将报告幻觉率从92%降至31%。

此前VLM在细粒度损伤评估中虽能语义分类，却在空间定位上不可靠，常产生幻觉；该研究通过专用分割模型与LangGraph流程结合，大幅降低幻觉率，为安全要求高的自动评估场景提供了更可靠的路径。

VLM负责语义推理与报告生成，分割模型负责精确空间定位；任务分工使VLM无需处理像素级细节。研究发现focal loss对微小目标分割失效，而监督对比损失能提升类别可分性，因此选用后者，每个生成步骤都以分割结果为准绳，抑制幻觉。

对理赔或车险类产品，可降低误报与漏报，提升自动定损的可靠性和可解释性；但需引入专用分割模型及多节点流程，会增加推理延迟和算力成本，可能影响实时性预算。

• 将TinyDamage架构集成到车险理赔App，自动识别划痕与裂纹，减少人工审核。
• 基于分割结果生成带定位标记的损伤报告，提升理赔取证的可信度。
• 使用LangGraph编排构建可审计的评估流程，方便合规与责任追溯。

• TinyDamage在更大规模、多车型数据上的表现尚未公开验证。
• 分割模型的训练数据规模与标注成本未在证据中说明。
• LangGraph流程在实时理赔场景下的延迟指标未被提及。