该框图指出，由于词语相近且视觉差别细微，导致CLIP类模型间的语义靠得过近（如正常与裂纹）。为此，VL-Bolt提出了三个可验证的方法模块及训练位置（B）：模块I（TFD）进行文本类别向量去耦合，拉大不同缺陷语义距离；模块II（TA-VFA）以类别文本为视觉锚点，缩小同类图像-文本距离；模块III（PPT）利用Transformer视觉层逐步解冻，抑制小样本端到端过拟合。其核心是处理“跨类别太近、同类别不齐、微调过拟合”三个不同问题。嵌入空间矢量示意（C）直观展示了从解耦前的类别交叠到解耦后的类别拉开。图D探讨了可迁移的科学问题与强基线，对应番茄问题中斑枯病与叶霉病症状相似、解释文本易混淆的情况，指出真正新增内容是将“症状文本解耦”与可核验的区域监督联动，并强调该论文类型是判别式缺陷分类，不等同于大模型后训练。本图内容适合工业视觉检测工程师、多模态与视觉语言模型研究者、计算机视觉方向的研究生以及关注小样本微调技术优化的算法专家阅读参考。