工业物联网的预测性维护有一个硬约束：报警必须在毫秒级给出，模型却往往大到边缘设备装不下。论文给出的数字很直接：单体大模型推理要 20–40GB 内存，而边缘与雾节点通常只有 4–64GB；一次推理 1–5 秒，远高于 100 毫秒的实时要求；依赖云端 REST 调用，又让机密的制造数据离开厂区。SEMAS 的选择不是把大模型压小，而是把不同职责分给不同层级的小模型智能体。
边缘、雾、云各干什么
系统分三层。边缘层（4–8GB）只做轻量特征提取和预过滤，计算复杂度保持在 O(1)；雾层（16–64GB）跑多模型集成检测，通过动态共识投票给出最终异常分数；云层负责用 PPO 持续优化策略，并异步维护不阻塞在线推理的全局更新。
智能体集合里，A1/A2 负责特征提取，B/B1/B2/B3 负责检测与响应，C 用大模型生成可读的解释和处置建议，D 做策略进化，E 做全局监督。检测器包括 200 棵树、污染率 0.32 的孤立森林，以及由孤立森林、单类 SVM、局部离群因子、椭圆包络和第二个孤立森林组成的五模型集成；确认异常后，LSTM 估计剩余可用时间。
三条反馈回路
SEMAS 的“自进化”靠三条回路同时工作：局部反馈从雾层回到边缘，检测指标变差就调整窗口长度、特征模式或采样率，不经过云，能在亚秒级响应局部漂移；全局反馈从云层下发到雾层和边缘，更新共识权重、报警阈值、提示模板和预处理参数；迭代回路则在雾与云之间持续交换检测结果、响应评价和操作员反馈。跨节点的策略参数用联邦聚合汇总，避免把原始数据集中到一处。
结果：F1 不是唯一指标
在锅炉仿真数据上，SEMAS 的 F1 为 0.4873，静态基线为 0.4871，差距 0.0002，统计上不显著（p=0.94）。但静态基线的精确率只有 0.3225、召回率 0.9949，意味着 67.75% 的报警是误报，ROC-AUC 仅 0.4099，延迟 1923 毫秒；SEMAS 通过 PPO 把阈值学到 0.8，精确率提高到 0.3737（+15.9%），延迟降到 1.22 毫秒。规则自适应基线则出现阈值震荡，F1 从 0.4786 降到 0.4235，跌幅 11.5%；SEMAS 的跌幅为 4.7%。
在风机 SCADA 数据上，SEMAS 的 F1 为 0.9571，优于静态基线 0.9440 和规则基线 0.9349，ROC-AUC 为 0.7583，推理延迟 0.30 毫秒。消融显示，共识投票、PPO 策略进化和联邦聚合分别贡献约 6.5、3.5 和 2.0 个百分点的 F1；大模型生成的自然语言解释获得 82% 的操作员接受率，而纯数值报警低于 50%。
这篇论文的价值在于把“大模型进工业”拆成了资源匹配问题：该在边缘算的不要让云算，该用 1–14B 小模型的地方不必上动辄数十 GB 的单体大模型。它同时提醒，F1 相近的系统在误报率、校准和延迟上可能完全不是一个可用性等级；选型时要把这些运维指标放在同一张表里看。
资料来源：Self-Evolving Multi-Agent Network for Industrial IoT Predictive Maintenance — arXiv（2026-02）。本文为技术要点整理/编译，非原文全文。