发挥 LLM 的优势：面向基于 VLM 的视觉异常检测的智能体式选项空间优化

基于摘要分析。该研究面向视觉异常检测，提出 ChoiceAD，将异常检测重构为基于选项的识别任务，通过优化语义选项空间而非更新模型参数改善检测表现。其主要研究对象是视觉场景中的异常识别，并非 EEG/BCI 信号分析。 机制上，ChoiceAD 先通过参考引导的图像描述与基于 LLM 的主题建模构建异常选项，再由 LLM 智能体结合检测反馈和优化历史，迭代修改选项名称、定义及主题归属；候选方案的改进由语义验证和基于性能的选择共同引导。相较于主要关注模型适配和提示工程的路线，其方法重点是调整识别任务的语义候选集合。参考信息的具体形式、检测反馈所用数据、优化停止条件及计算成本尚未验证。 作者报告，在 Hazards&Robots Corridor V1.0 与 InspecSafe-V1 Tunnel 上，测试 AUROC 分别为 94.14% 和 93.34%。相较于选项数量匹配、由真实标注构建的选项，作者报告 Corridor 的 AUROC 提高 9.04 个百分点，误报数由 59 降至 8；在 Tunnel 上，召回率由 88.89% 提高至 98.61%，同时误报增加。上述结果体现不同场景下的收益与误报权衡；具体样本规模、划分、阈值、消融及统计信息尚未验证，不能仅凭摘要判断稳定性或比较不同协议的优劣。 平台推测（待验证）：若 EEG 异常识别已有可供 VLM 使用的时频图或其他视觉表征，且异常类别具有可核对的语义定义，可假设选项空间优化能够改善固定模型的识别决策。可复用的是选项生成、语义验证与迭代筛选流程，需改造的是信号视觉表征、参考描述及异常定义。低信噪比、通道差异、跨被试变化和小数据可能使语义描述不稳定，或使选项优化过度适配反馈集。一个可证伪的小实验是在固定视觉表征与模型的前提下，仅在训练／验证被试上优化选项，再在独立被试上与数量匹配的固定选项比较 AUROC、召回率及误报，并记录搜索成本。已有 EEG 相关工作尚未检索确认。