逻辑异常检测不再只改问题：CASCADE++按约束类型给图像配脚手架，三张参考图即超过全量训练方法
核心概要
基于大视觉语言模型的逻辑异常检测把每条约束拆成文本清单逐项核对，但每项读到的仍是同一张原始图像，模型必须从同一输入里提取不同形态的视觉证据。CASCADE把分解扩展到图像一侧，按约束类型叠加逐实例着色或物体锚定网格；CASCADE++再从约束结构和参考分布推导脚手架配置。在MVTec-LOCO上，CASCADE++仅用三张参考图、不做训练即超过全量训练的最强方法，并迁移到多个视觉语言模型骨干。
深度剖析
逻辑异常检测的瓶颈被定位在感知一侧：把同一条约束的核对问题写得更细、让模型多推理，并不能挽回判错，而按约束改写模型看到的那张图可以。 此前的清单式方法只对文本做分解，每条约束生成一个独立问题，但每次核对读到的都是同一张未经改动的查询图像。 在固定骨干与问题的免训练对照中，思维链与自我修正两种文本推理引导在绑定约束和校准约束上都没有超过纯文本基线一个点以上；而单一消歧叠加把绑定类Count约束的平衡准确率提升到明显更高的水平，这一差距没有任何文本引导接近。
CASCADE按约束类型分流：绑定约束需要把外观相似的实例分开，校准约束需要一把跨图像一致的尺子，两类约束各配一种叠加。 此前的视觉脚手架参数取自图像空间，编号按图像位置排列，网格间距固定，与约束的逻辑结构和少样本参考给出的正常范围无关。 合成探针显示，数相同圆圈的原始图像准确率在数量超过某个点后崩塌，而逐圆着色使其保持稳定，且在三个骨干上一致；读同一长度的条在不同渲染间读数离散度明显大于同一图像内重复读数，物体锚定的二维网格在违规余量缩小时仍保持准确率，而单轴与图像坐标系叠加分别失效。
CASCADE++把脚手架配置从固定默认值改为由约束结构与参考分布推导，图像级结果因此从低于基线翻转为领先。 基础版CASCADE把脚手架配置留在固定默认值，在MVTec-LOCO上低于两个复现基线。 在GPT-5-image-mini骨干、三张参考图下，CASCADE++的AUROC高于同骨干同参考预算下最强的复现基线LogSAD†，也高于全量训练的LogSAD，三次随机参考集的标准差很小；同一脚手架在Gemini-3.1-Flash-Lite、Qwen3-VL-32B与Qwen3-VL-8B上迁移。
启示与展望
演示范围是MVTec-LOCO的五个产品类别与VID-AD的十个制造场景，全部约束被归入绑定与校准两类，每类配一种脚手架；方法面向近线抽检而非在线控制，单张图像验证耗时远高于基于特征的检测器的毫秒级延迟。
参考图数量决定校准网格的可靠性：单张参考无法覆盖正常范围，网格偏窄会把正常查询判为违规，增加到三张后估计趋于稳定，继续增加收益可忽略。分割质量的影响不对称：边界膨胀在10与20像素内落在噪声范围，实例被拆分或合并则明显拉低平均准确率。约束同时需要两种感知操作的情形尚未覆盖。