通用大模型在餐饮零售场景中常因数据噪声大、缺乏专业评测而表现不佳。针对这一痛点，新的技术方案通过构建专用模型Ostrakon-VL和首个行业基准ShopBench，旨在提升AI在复杂商业环境中的感知与决策能力。
智能速览
Ostrakon-VL是专为餐饮零售场景设计的多模态大语言模型。
推出了首个面向该领域的专业评测基准ShopBench。
提出QUAD数据清洗管线以解决真实世界数据噪声问题。
在ShopBench评测中，Ostrakon-VL得分超越规模更大的基线模型。
采用了字幕引导、离线课程学习等训练策略提升模型专业性。
精华内容
Ostrakon-VL的卓越性能并非偶然，其背后是一套完整的技术体系，从数据清洗到训练策略都经过了精心设计。
数据清洗革命
餐饮零售场景的真实数据来源多样，存在严重的压缩伪影和环境噪声，元数据也极不一致。为此，研究团队提出了QUAD，一种质量感知且无偏的自动数据清洗管线。
该管线包含四个关键阶段：首先，通过质量过滤和“视觉消融检查”筛选出高正确性的样本；其次，通过基础模型参考过滤，剔除模型已掌握的“简单样本”；再次，利用多模态语义去重技术提高信息密度；最后，通过能力覆盖重分布确保模型在OCR、逻辑推理等各维度能力上的平衡发展。
三阶段训练法
为了高效利用清洗后的高质量数据，训练过程采用了多阶段策略。
第一阶段是字幕引导，让模型先学习图像中的标志、设备、布局等详细描述，为后续对齐奠定基础。第二阶段是离线课程学习，模拟人类由易到难的学习过程，将数据按难度分级，逐步引导模型转向复杂推理。第三阶段是混合偏好优化（MPO），通过构建正确回复与看似合理但有细微错误的回复之间的偏好对，强化模型对视觉细节的关注，提升决策稳定性。
专业评测基准
为了客观衡量模型在特定领域的能力，研究推出了首个公开的FSRS领域多模态基准ShopBench。
该基准涵盖了店面、店内和厨房三大场景，并支持单图、多图和视频三种输入格式。其核心是一个四级分层分类体系，将任务解耦为感知和推理两大能力家族，细分为79个粒度任务。通过t-SNE可视化对比，ShopBench在视觉领域分布上与现有主流基准重叠有限，证明了其独特的领域特征和场景复杂度。
性能超越预期
在严格的ShopBench基准测试中，Ostrakon-VL取得了60.1的平均分，表现亮眼。
这一成绩不仅显著超过了同规模的Qwen3-VL-8B模型（55.3分，提升4.8分），甚至超越了参数量是其近30倍的Qwen3-VL-235B模型（59.4分）。这充分证明了通过领域专业化设计，即使是参数规模较小的模型，也能在特定任务上实现更高的参数效率和更鲁棒的决策能力。
Ostrakon-VL及其配套工具为垂直领域AI发展提供了新范式，证明了精心设计的领域模型在效率和能力上可超越通用大模型。未来，这种模式是否会在更多行业得到复制？
