当AI开始鉴真假评成色估价格，图灵鉴X让交易信任可量化、可验证

一、当AI开始为物理世界的信任定价

WAIC 2026 在传递出一个信号：scaling law 正在被改写。

图灵奖得主、强化学习之父 Richard Sutton 在 WAIC 2026 主论坛中指出：人类数据已经达到极限——

已经很难再靠简单增加预训练数据量来提升模型能力。

与此同时，WAIC 一场多位院士同台的语料生态论坛形成共识：AI 竞争正在从「谁算得多」转向「谁懂得深」——

高质量垂类数据正成为每一个应用场景的决胜点。

这些观点都指向同一个结论：通用数据即将见顶，谁拥有更深、更高知识密度的行业数据，谁才能拥有通用大模型之外的差异化能力。

商品交易恰好是一个通用的竞技场——精准地判断一件商品的真假、成色和估价，不是互联网上能搜到的信息，

而是面向交付的生产过程中形成的专家数据。

这个场景里生长出了一家提供垂直模型、数据和服务的公司——图灵深视。这家由清华大学孵化的公司，想实现一个简单的愿景：

用 AI 守护商品交易信任。

他们的发展路径并不典型：与大多数 AI 应用公司直接调用通用模型能力，再自上而下积累底层应用数据的路径不同，图灵深视选择先通过人机协同的「脏活累活」模式深耕商品鉴定质检场景，交付 100%「鉴错包赔付」的服务，积累高精度、高知识密度数据，再自下而上构建垂直大模型——基于此，还牵头制定并发布了全国首个《AI 鉴定》团体标准。今天，他们发布了新一代商品评估大模型「图灵鉴 X」。

图灵鉴 X 的创始人唐平中是清华大学教授，他的学术背景聚焦于博弈论、机制设计与平台算法。博弈论里有一个经典结论：一个能真实反映商品信息的平台，比一个放任虚假信息的平台，能促成更多交易——这也是诺贝尔经济学奖得主 Roger Myerson 的核心洞见（revelation principle）。唐平中坚信，用技术手段让商品交易信息回归真实，是利国、利业、利民的正确路径。

但要让 AI 真正「在物理世界干活」，远比想象中难。从「看懂图片」到「看懂商品」——品牌、款式、真伪、成色、瑕疵、价格——这不再是计算机视觉问题，而是基于海量高质量图文对构建、训练和推理的多模态大模型问题。

图灵鉴 X 的核心架构是 LLM-EDC（LLM-Enhanced Discriminative Core，大模型增强的判别内核）。

通用多模态大模型擅长理解意图、解析问题和组织语言，却不擅长判断「压印边缘是否平滑」这类细粒度差异；专业判别模型判断更精准，却缺乏任务规划和解释能力。LLM-EDC 将两者解耦协作：大模型理解图片与鉴定问题，确定需要关注的部位和特征，再通过 MoE 路由，将任务动态分发给相应的专家判别模型。两者各司其职，最后聚合结果并生成鉴定说明。

但鉴定不仅要准确，更要「判断有据」。传统模型学习的是「图片→标签」，只对结论负责；图灵鉴 X 不同，它学的是「图像—结论—依据」三元组。行业专家在标注真伪的同时，还会与 AI 讨论关键部位、异常特征及判断理由，并将这些专业依据用于再次训练。模型学习的是「证据定位—特征判断—结论生成」的完整链路，输出不再只是「真／假」，而是可核验、可追溯的推理链，例如：

皮标压印边缘存在毛刺，与正品工艺特征不符，因此判定为假。

在此基础上，图灵鉴 X 引入了 RLVR（可验证奖励强化学习），让奖励不仅取决于结论是否正确，也取决于模型是否关注了正确区域、识别出关键异常，以及证据能否支撑结论。模型优化的目标由「猜中标签」升级为「基于正确证据得出正确结论」。

随着鉴定师持续新增判断依据，数据会回流训练，推动专家模型、路由策略和证据生成能力不断迭代，形成随造假手法持续进化的数据飞轮。EDC 构建的，不只是一个分类模型，而是一套以专业证据为核心，可验证、可追溯、可持续进化的智能评估内核。

唐平中在发布视频中定义了图灵鉴 X 的能力版图：

「商品评估包括识款式、鉴真假、评成色、识瑕疵、估价格。每个功能都支持多轮次多模态交互。图灵鉴 X 是全行业首个多轮次多模态交互的商品评估产品。」

发布视频中具体展示了运用图灵自研的软硬件产品评估、鉴定不同的品类——不是功能清单巡展，而是每个品类的评估能力都已经能适应有挑战性的实战场景：比如高仿包袋，大多数鉴定机构已经放弃接单；做旧瓷器，肉眼看不出问题；美妆护肤品，盒子真、瓶子和质地假；高仿潮鞋，资深鉴定师连连「翻车」……每个场景都在回答同一件事：难在哪里，图灵鉴 X 怎么解决。

二、品类能力——不同场景中的技术纵深

包袋：可解释的证据链与可量化的价值评估

视频中，首席奢侈品包袋鉴定师 Blue 演示了一款高仿 Coach 包：拍一张外观图，系统从多个维度持续输出结论。结果：非正品，高精仿。推理依据逐点展示——白标油墨字间距及字形存在差异、油边厚重。每个判断都伴有可解释依据，而不是甩出一个「假」的结论。

这背后是 X-VLM 可解释多模态判别技术：通过跨模态注意力与证据定位，将结论锚定到具体的视觉区域和文本依据，形成可追溯、可核验的证据链，把「黑盒决策」转化为「可解释的特征判断」。

在此基础上，图灵鉴 X 采用基于可验证奖励的强化学习（RLVR）框架，以过程奖励（Process Reward）的方式，将鉴定师的专业经验拆解为证据定位、异常识别、推理一致性等多个可验证环节，并纳入模型优化目标。模型优化的不只是最终结论是否正确，更包括整条推理链路是否建立在有效证据之上、是否符合专业鉴定逻辑。

随后，Blue 演示了一款 LV 中古包的大模型评估，依次拍摄五金磨损、底角磨损、肩带褶皱，系统评估为 88 新，再基于款式和成色给出估价区间：998～2100 元。唐平中强调：对于二手商品，

价格是款式和成色的函数

。同样一款 LV，99 新和 90 新的价格差别很大——必须先量化评估成色，再给出价格。

钱币：专家经验的数字化与鉴定逻辑的函数化

古钱币鉴定有独特挑战——每一枚钱币经过长时间流通，包浆、品相独一无二，模型没法靠「背标准答案」进行学习和输出。视频中演示了一枚崇宁重宝：拍摄正反两面，系统马上给出鉴定报告——真品，绿锈自然分布，呈现「入骨锈」特征，市场估值 500～700 元。

针对同一图片，多位专家分别给出人类反馈，系统对标签一致性和理由一致性进行综合计算，并将其转化为奖励信号——把人的经验直接翻译成模型能理解的数学语言，确保输出的准确性。

瓷器：在推理中适应，在动态中稳定

瓷器通过高拍仪演示，这也是在 WAIC·央视 AI 盛典上，唐国强用来「AI 鉴宝」的仪器。把瓷器放在高拍仪摄像头下，系统自动识别并截取关键鉴定点——整体器型和底部。视频中的高仿瓷器被 AI 判别为假——底部存在人工做旧，狮子和花卉线条不符合清早期特征。

「这个看起来也没有贼光啊。」诚如唐平中所言——肉眼看不出的油润感问题，系统精准判别为假。

为应对瓷器在不同光照环境下——如拍卖行强光、仓库暗光、手机闪光灯——产生的釉色反光干扰，以及高仿瓷器随时间推移不断升级所带来的「仿古伪作分布漂移」，系统引入了 TTA（测试时自适应）。在不触动核心模型权重的前提下，仅在推理时动态调整批归一化参数，不仅可以让模型「即时适应」新环境，还能确保线上推理具有极高的鲁棒性。

服装：OCR + 瑕疵——从鉴定到质检的延伸

视频中的服饰品类由潮品算法负责人 Leo 演示，展示了图灵鉴 X 在瑕疵检测、OCR 两个核心维度的质检能力。

瑕疵检测：

使用图灵鉴 X 拍照，AI 识别并框选瑕疵点位——结果显示，系统框出了衣服上的 4 处主要瑕疵，均标注为脏污类型，并标明每处瑕疵的具体位置。这里有一个细节值得一提：瑕疵样本在真实场景中毕竟是少数，图灵深视使用人类反馈强化学习进行数据生成，补充训练数据。技术层面采用 CLLAD（对比学习驱动长尾判别）和 DAMN（域对齐多尺度注意力）——后者自适应对齐不同物理形态下的印刷与织线特征，消除柔软织物褶皱形变带来的干扰。

OCR：

使用图灵鉴 X 小程序拍摄吊牌照片，几秒内即可完成文字识别和结构化输出——品牌、产地、材质自动提取，AI 提取结果与吊牌实际文字完全一致。

图灵深视的 AI 质检系统已将这些视觉评估能力落地于仓储物流环节，为品牌方和电商平台提供供应链端的品控支持。据公开信息，公司目前已与多家国际物流企业和头部跨境电商企业建立合作关系。

从 AI 鉴定到 AI 质检，这套历经多年迭代的视觉技术，正在不同业务场景中展现出可迁移的通用性，覆盖更多物理世界的商品流通节点。

潮鞋：AR 鉴定眼镜与对抗性持续学习

潮鞋品类通过 AR 鉴定眼镜演示——解放双手，眼镜内实时提示鉴定点位，把鉴定点放到视线内，1 秒钟拍摄一个。这是目前市面上唯一面向鉴定场景的 AR 眼镜产品。

视频中，Leo 戴上眼镜拍摄鞋内、鞋外和鞋盒，结果显示：不符合正品工艺，高仿。Leo 补充道：很多身经百战的鉴定师都在这个批次上「翻车」。

为了攻克潮鞋鉴定中的技术难点，图灵自研并落地了两项重要技术：

DiffuLT：

按鉴定师指定的缺陷类型，定向合成稀缺假货训练样本。真实世界里，某类新出现的造假手法样本往往很少，不足以支撑训练。系统会按鉴定师指定的缺陷类型，比如某处车线、某种压胶，定向合成对应的仿冒样本，把「该学却见得少」的情况补齐。

模型融合：

每出现一类新造假，单独微调出一个「任务向量」，再以权重融合的方式并入主模型。旧款式的能力保存在原有权重里，结构上不被覆盖；新手法以增量方式叠加，无需重训整模，也能快速迭代。

美妆：从包装盒到内容物鉴定

视频中，美妆品类通过高拍仪演示。美妆鉴定负责人 Emma 把一瓶海蓝之谜精粹水放到高拍仪下，按提示翻转产品，AI 自动截帧并提取鉴定点，几秒内完成全部评估：符合正品工艺，批号无误。唐平中追问：包装盒真、瓶子假怎么办？Emma 演示了拆盒检测——分别拍摄瓶身各部位进行检测。

美妆鉴伪的难点，是判断包装盒和瓶身的文字是否由正确的字模、制版和印刷工艺产生。其鉴定技术核心可以拆分为三层：

字体取证：

系统以高分辨率视觉 Transformer 将文字切分为字符级、笔画级视觉 token，在识别品名和批号的同时，比对笔画骨架、字腔比例、字距、基线、油墨扩散和烫印边缘。传统 OCR 追求「字体变化后仍能认出同一个字」，字体鉴伪则反过来：文字内容越相同，模型越要捕捉细微的字形和工艺差异，将其编码为可检索的「生产指纹」。

多帧融合与 MIL：

高拍仪在产品翻转过程中采集连续画面，模型通过帧间配准，融合不同角度的反光、压印和纹理信息。随后，MIL（多实例学习）将盒体、瓶身、标签、批号继续拆分为字符与笔画实例，并以 Top-K 异常聚合实现鉴定师的核心规则——任一关键部件异常，都会提升整件商品的风险，而不会被其他正常区域平均掉。

开放集检测与 UDA：

假货样式无法穷举，模型因此不只学习「见过的假货」，而是为不同品牌、SKU 和批次建立正品原型空间，检测偏离正品分布的未知异常。面对换版、换批次和拍摄环境变化，UDA（无监督域适应）再通过自监督表征与原型对齐，将旧品规知识迁移至新品规，在减少重新标注成本的同时，区分正常迭代与伪造工艺。

最终，系统输出的不只是「真或假」，而是一条可解释的证据链：批号规则是否成立、字模是否匹配、排版是否偏移，以及异常究竟来自盒体、瓶身还是印刷工艺。AI 读取的是文字，鉴定的则是文字背后的生产系统。

线下实物鉴定：AI + 仪器 + 专家，错一赔货值

图灵鉴 X 在线上提供云鉴定服务「图灵专鉴」，线下在全国设有十余家实物鉴定中心。线上线下的底层逻辑是一样的——人机系统：AI 置信度较高的订单直接输出结果，置信度较低的订单交由人工复核，争议案例则由资深专家与 AI 协作，作出最终裁决。线下再加入仪器检测，形成 AI、仪器、专家三重验证。

不同品类的鉴定结果出具方式不同：鞋、包、服、妆出具鉴定报告，并挂签或贴签；珠宝、玉石、贵金属出具 CMA 证书；钱币、卡牌进行评级封装。线下鉴定准确率为 99.999%。

线下图灵评鉴提供「错一赔货值」保障。敢赔钱，是因为高精度的 AI 直接输出，以及精度更高的人机系统协同交付。据了解，图灵内部将假阳率——即把假的判成真的比例——作为核心管控指标，在高价值品类上，假阳率趋近于零。

餐品：检索权威数据再计算

视频最后还有一个彩蛋——算法科学家 Ron 和唐平中边吃外卖边「鉴餐」。拍一张外卖照片，系统给出碳水化合物、蛋白质、脂肪含量，以及安全和营养等评分。

有一个细节：系统显示总能量为 1480 大卡，人均值为 740 大卡——它自动识别出这顿饭是两个人吃的。图灵鉴 X 还具备茶叶、大闸蟹等食品的鉴定能力——以龙井茶为例，可以判断产区、品种，甚至新旧程度。

鉴餐的技术底座可以概括为一句话：不让大模型直接猜数字，而是识别食物→通过 RAG 检索权威营养数据库→经过结构化推理后进行估算。其技术基于多篇前沿论文的方法组合——不是靠参数量硬猜，而是检索权威数据源后再计算。

三、随机抽样评测：通用大模型、人工图片鉴定平台

与其他垂直领域测评不同，鉴定模型的能力评估，不能在公开或不均衡的数据集上验证。例如，在一批公开的或 100% 为正品的数据上，专家或模型均能轻松达到 100% 的准确率。

机器之心从多家实物鉴定中心近 48 小时的鉴定样本中，随机抽取了 100 套样本，按 1∶1 配置真假样本，制作了一个实时的小型 benchmark。每个样本都经过实验室方法进行实物鉴定，确保测试标签的准确性。

为保证测评有效性，本次抽样重点满足两个条件：一是时效性，样本来自近期真实订单，避免模型更新后将其纳入训练集；二是对抗性，尽可能覆盖足以迷惑普通消费者，甚至通用模型的高仿产品。

在统一图片、输入信息和计时口径的前提下，对不同参评对象进行测试，并控制样本难度、信息量等变量。

本次测评定义了三个核心指标：

• 鉴定准确率：能否正确判断商品真伪。无法鉴定、需要补图等未给出明确真假结论的情形，均计为错误。

• 鉴定时效性：从上传鉴定图片到输出完整结果所需的时间。

• 理由合理性：模型给出的证据是否具体、可信，并能够支撑最终结论。

其中，图灵鉴 X 将与各品类头部专业鉴定平台比较准确率与鉴定时效，同时与头部多模态大模型比较鉴定理由的合理性。换言之，这场测评不仅考察「判得对不对、快不快」，也考察「为什么这样判」。

人工图片鉴定平台选择：

• 平台 D：行业知名图片鉴定平台，聚焦潮品鉴定和交易。

• 平台 W：行业知名图片鉴定平台，聚焦美妆鉴定。

• 平台 Y：行业知名图片鉴定平台，聚焦古玩文玩鉴定。

鉴定理由打分：

由三方资深鉴定师团队采用匿名方式进行评审。所有输出均隐去模型来源并随机打乱，鉴定师依据证据定位、特征描述和推理一致性进行独立评分，最终取平均分。

评分采用 0、1、3、5 分四级量表：

• 5 分｜结果正确并解释精准：准确定位关键鉴定部位，明确描述纹理、刻印、Logo 等特征，且证据与正品工艺标准及最终结论高度一致。

• 3 分｜结果正确并解释模糊：结论正确，但理由较为空泛，例如仅称「整体质感不符」，没有命中决定真伪的核心特征。

• 1 分｜结果正确并存在幻觉型解释：理由存在常识性错误、逻辑矛盾或凭空捏造。即使碰巧得到正确结论，也无法形成可信的证据支撑。

• 0 分｜结果错误。

评测结果：

（1）准确率对比

注：人工图片鉴定平台 D 在包袋品类中出现 1 次无法判断、7 次要求补图；潮服品类中有 1 次因图片质量问题未给出结论。人工图片鉴定平台 W 在美妆品类中出现 2 次无法判断、6 次要求补图。人工图片鉴定平台 Y 在钱币品类中出现 2 次无法判断。按统一规则，上述情况均记为未命中。在上述测试中，均选取了人工平台覆盖且擅长的品类进行测试。

在这组近期真实订单样本中，图灵鉴 X 在包袋、潮鞋、潮服和美妆四个品类中均取得 100% 的准确率，在钱币品类中达到 95.5%。

人工图片鉴定平台 D 在潮鞋和潮服等品类中表现出较高水准，其中潮鞋准确率同样达到 100%；但在包袋品类中，其准确率仅为 63.6%，跨品类表现存在明显波动。相比之下，图灵鉴 X 的优势并非集中在某一个品类，体现了更稳定的多品类泛化能力。

在本次评测所覆盖的近期高仿样本及统一输入条件下，图灵鉴 X 展现出了更为突出的跨品类泛化能力与性能稳定性。这一结果也在一定程度上印证了 LLM-EDC 架构的设计思路：由大模型承担任务理解、流程规划与专家模型调度，再由细粒度判别模型针对 Logo 刻印、印刷工艺、材质纹理等专业鉴定特征进行深度分析。

通过将通用模型的认知与推理能力同垂直领域模型的精细辨识能力结合，系统得以在不同品类之间维持相对一致的鉴定表现。

（2）时效性对比

本轮评测中，图灵鉴 X 在五个品类上的鉴定用时，均显著低于速度最快的人工图片鉴定平台，显示出了 AI 的实时性和普惠性。

（3）鉴定理由评测

注：「未提供」表示该平台不输出鉴定理由，不按 0 分处理。

相比只输出真伪结论，鉴定理由更能检验模型是否真正识别了关键特征。评测结果显示，图灵鉴 X 在包袋、潮鞋、潮服、美妆和钱币五个品类中均取得最高分，单项得分为 3.07～4.00 分，五品类等权平均达到 3.48 分。表现最好的通用多模态大模型平均得分约为 2.00 分，图灵鉴 X 领先 1.48 分。

更值得关注的是，这种优势并未集中在单一品类。无论是依赖刻印工艺、Logo 刻字和材质判断的包袋、潮鞋，还是专业知识门槛更高的钱币与美妆，图灵鉴 X 都保持了相对稳定的证据输出能力。

这说明它给出的理由并非套用「质感不符」「做工粗糙」等通用描述，而是更倾向于定位具体部位、识别异常特征，并建立证据与结论之间的对应关系。

综合结论

综合准确率、鉴定时效性和理由合理性，图灵鉴 X 在近期真实订单的高仿样本中体现出「判断准确、响应高效、证据可核验」的系统性优势。

这与 LLM-EDC 的架构分工相吻合：大模型负责理解任务、规划关键区域并组织表达，MoE 路由动态调度细粒度专家模型，证据监督则约束结论建立在具体特征之上。

四、商品交易信任的基础设施

商品评估大模型时代的开启，改变的不只是效率——更是信任结构和话语权。

一件商品值多少钱，过去卖家说了算；真假怎么判，所谓专家说了算；出了问题谁来兜底，没人来担责。图灵鉴 X，是把「说了算」从个人经验变成第三方独立、人人可验证的普惠能力——每一步都透明、可验证，每一次出错都有赔付兜底。

据了解，图灵鉴 X 小程序版、网页版均已上线，并向所有用户开放免费体验——这既是建立卖家信任的基座，也是重塑买家信任的入口。

网页版：https://x.tulegit.com