如果把一颗苹果的照片、一条冷链温度曲线和一份食品安全国家标准的条文，同时交给一个通用的多模态大模型，它大概三件事都能给出一段流畅的回答。麻烦在于，“流畅”离“可以放进质检流程”还差得很远：分选线要的是在剔除窗口内给出确定的判定，风险排序要的是经过校准的概率，法规问答要的是能逐条核对的出处。三类需求的数据形态、精度标准和容错方式完全不同，很难由同一个模型同时做到最好。
先看任务，再选模型
食品检测里反复出现的工作，大致可以归成五类任务。下面这张“任务—数据—模型”对照表，列出每类任务的输入长什么样、适合哪一类模型，以及它通常靠什么指标验收。
| 任务 | 数据形态 | 适合的模型 | 关键指标 |
|---|---|---|---|
| 图像缺陷与异物 | RGB 图像、高帧率视频流 | 视觉模型：CNN 或 Vision Transformer（ViT） | 漏检率、误剔率、单帧延迟 |
| 光谱与高光谱 | 数据立方体 (x, y, λ)、近红外曲线、SERS 谱图 | 光谱模型：PLSR、SVM、1D/2D/3D CNN 等 | 分类看召回与误剔率，回归看 R²、RMSEP、RPD |
| 环境与冷链时序 | 温湿度、震动、开门记录等按时间排列的序列 | 时序模型 | 异常告警的提前量与误报率 |
| 风险预测 | 供应商、品类、季节、抽检历史等结构化表格 | XGBoost + SHAP | 排序质量、校准误差、可解释性 |
| 标准法规与知识问答 | 标准条文、法规文本、检测报告、历史记录 | LLM + RAG | 引用是否准确、有无出处、查不到时是否拒答 |
读这张表要停两处。前四行的输入本质上是数字信号：像素、各波长上的反射率、按时间排列的读数、表格里的特征。专用模型的结构正好贴合这些信号：卷积类模型擅长局部纹理，光谱模型利用相邻波段之间的强相关，时序模型利用先后顺序，树模型在中小规模的表格数据上通常比较稳健。只有最后一行的输入是自然语言，那才是大语言模型的主场。
一个万能模型会在五个地方吃亏
- 数据形态。高光谱数据立方体的每个像素都带着几百个波段，线扫描相机每秒产生的数据远多于一张普通照片。若为了迎合通用模型的输入格式，把它压成几张伪彩色图，等于先把最有价值的光谱维度丢掉了。
- 精度。农残或内部品质的信号往往很弱，差异谱里只有两三个很小的峰，还叠着果皮蜡质、叶绿素和水分的背景，这类任务依赖针对具体品种和基质的标定与再校准，细节可以看高光谱怎样从表面光谱里找农残信号。通用预训练里并没有这种标定关系，只能靠专用数据补。
- 延迟。分选线的剔除窗口按毫秒计，边缘端只能跑量化、剪枝、蒸馏之后的轻量模型。一个规模庞大的通用模型，光是一次网络往返，就可能已经超出窗口（示意）。
- 可解释性。检测人员追问“这个风险分从哪里来”，XGBoost 加 SHAP 能给出每个因素的贡献，而且可以复现；一段由大模型生成的文字理由，无法保证它忠实于模型内部真实的判断依据。这一点在82 分到底来自哪里里有更具体的讨论。
- 成本。每个批次、每一帧都调用一次大模型，推理开销与毫秒级的小模型不在一个量级。换季、换品种时，专用体系只需重训受影响的那一个模型；万能模型一旦要改，就是整体重新验证。
大模型的位置：交互与知识层
拆开专用模型，并不等于大语言模型没用。它最擅长的是四件事：把检测人员的自然语言问题翻译成对专用模型的调用；通过检索增强生成（RAG，Retrieval-Augmented Generation）查阅 GB 2760、GB 2763、Codex 等标准和法规文本并给出出处；把 SHAP 贡献、光谱结果和实验室记录组织成读得懂的说明；检索不到依据时，明确回答“查不到”。这四件事的输入是文字，输出也是文字，答案能回到原文核对。至于某条标准是否适用，以适用法规的现行版本为准，食品安全与农残结论的最终依据仍是法定检验方法。
口径：多类专用模型协同
纵横国际 AI 把食品农业 AI 拆成多类专用模型协同工作，而不是宣称一个模型包打天下。在这个口径下，纵横国际大模型指的是数据层、模型层与知识层配合的整体体系，以及面向用户的查询与风险分析入口；纵横国际模型则是按任务划分的视觉、光谱、时序、风险几类专用模型。本文没有给出任何模型参数量或跑分，原因很简单：脱离具体产线、品种、批次和设备的数字没有比较意义，写出来只会误导选型。
拆开之后，代价是集成的复杂度。各类输入必须先对齐到同一个批次上，这是数据对齐要解决的问题；几十个模型又要有人决定谁来处理哪类请求，这是模型路由要回答的问题。