晶圆制造对精度的要求近乎苛刻：以EUV光刻为例，工件台同步运动的平均误差要小于0.5纳米，一点细微瑕疵就可能造成整批晶圆报废。长期以来，国内晶圆厂的质检高度依赖人工目视；传统机器视觉方案又受限于纳米级微缺陷识别精度不足、样本标注成本高、工艺异常根因排查周期长。智现未来面向国内8英寸与12英寸先进产线，构建了“工艺良率溯因分析智能体系统”，把缺陷检测、根因推理与处置建议串成一条链路。
四位一体的工业底座
系统的技术底座由四部分组成：多模态异构数据融合、全工序专家知识库、专业推理引擎与产线全链路协同平台。团队在DeepSeek、Qwen等通用大模型上做工业定制微调，并引入对比学习与跨模态特征融合，让模型具备实时感知、因果推演与决策闭环的能力，覆盖光刻、蚀刻、薄膜、扩散等全工序的质量管控。
看得快：三类数据拼成缺陷特征矩阵
检测环节不再只依赖单一视觉图像。系统把缺陷图像、设备频谱FDC数据与工艺执行日志放进同一张“多维缺陷特征矩阵”，可识别0.1－0.5微米的细微瑕疵。样本侧采用小样本学习，只需传统方案约2%的数据即可收敛；遇到新型缺陷，则用自监督对比学习提取高维相似性表征、自主聚类并更新模型，从而压缩标注成本与上线周期。
找得准：沿晶圆履历走完推理链
根因分析由灵犀LLM驱动的工艺推理智能体承担。它模仿资深工程师的研判顺序：先以图搜图比对缺陷形貌，再调取晶圆履历，接着检索知识中台，最后结合全流程工艺参数推断根因，1分钟内输出完整的优化处置报告直达产线。按文中的说法，同样的工作过去需要工艺工程师跨系统梳理数据整整1天。系统还打通了产线检测、缺陷档案、生产管理等多类数据孤岛，内置标准化专家经验库，把隐性工艺知识留存下来，缓解人员流动造成的经验断层。
验证结果与平台位置
该系统已在国内头部晶圆厂完成验证，无需大规模产线硬件改造即可部署。落地后的数据是：缺陷综合识别准确率96%，较传统视觉AI提升11%；单批次良率分析时长由1天压缩至1分钟；工厂整体生产良率提升约2%。在“灵犀Lingxi大模型＋多智能体网络协同智造平台”的整体架构里，良率智能体只是入口：大模型提供多模态理解、工艺语义建模、跨工序知识推理与专家经验沉淀，多智能体网络负责任务分解、角色协作、工具调用与闭环反馈，可执行的工艺洞察再回流给设备预警、质量预测、参数优化与生产调度等环节。
值得借鉴的不是“上一个大模型”，而是把三类异构数据、一本专家知识库和一套推理流程绑定在一起：数据决定看得见什么，知识库决定推理走哪条路，智能体只负责在既定路径上把结论写成可执行的处置单。
资料来源：智现未来亮相 CISE 软博会，工艺良率溯因分析智能体系统荣获二等奖 — 深圳市人工智能产业协会（2026年10月）。本文为技术要点整理，非原文全文。