负二项良率模型计算器｜SPC实战工具
这个工具解决什么问题
半导体良率的经典陷阱：实测良率总是低于泊松模型 Y=exp(-D0)。 原因是缺陷成簇（划痕、颗粒团、边缘环），负二项模型用聚集参数 α 修正： Y = (1 + D0/α)^(-α)。本工具用多批数据矩估计 α，对比两模型与实际良率， 并外推「D0 升到多少时簇集才真的要命」。
输入数据格式
数据文件 negbin_lots.csv，列顺序为：lot、die_count、defect_count。
示例首行：L0901,520,26
示例输出（真实运行结果节选）
负二项良率模型（Seeds）分析报告 ======================================================================== 【一、基础参数】 批数 12；平均 die 数 520；缺陷密度 D0=0.0635 缺陷/die 批间缺陷数：均值 33.0，方差 142.7 方差>均值 → 存在簇集。聚集参数 α=9.92（α 越小簇集越严重） 【二、模型对照（单 die 良率口径）】 泊松模型 Y=exp(-D0) = 93.85% 负二项模型 Y=(1+D0/α)^(-α) = 93.87% 两模型差 -0.02 个百分点——这就是忽略簇集会高估的良率 片级缺陷数预测（=D0×每片 die 数）：泊松 33.0 个/片；负二项口径同均值 【三、簇集影响敏感性（用拟合 α 外推到高缺陷密度场景）】 单die缺陷密度 泊松良率 负二项良率 高估幅度 D0=0.5 60.65% 61.40% -0.74pt D0=1.0 36.79% 38.57% -1.78pt D0=2.0 13.53% 16.17% -2.64pt D0=3.0 4.98% 7.27% -2.29pt 当前 D0=0.063 时两者仅差 -0.02pt：低缺陷密度下簇集对良率影响小； D0 升到 1.0 以上（大 die / 高密度产品）后差异迅速放大，必须用负二项。 【四、逐批实际 vs 预测（单 die 口径）】 批次 die 实测缺陷 实测良率 泊松预测 负二项预测 泊松偏差 L0901 520 26 95.00% 93.85% 93.87% -1.15pt L0902 520 31 94.04% 93.85% 93.87% -0.19pt L0903 520 18 96.54% 93.85% 93.87% -2.69pt L0904 520 44 91.54% 93.85% 93.87% +2
解决什么问题
· 良率预测虚高：报价、产能规划用泊松口径系统性乐观； · 无法判断缺陷是「随机分布」还是「成簇」——后者治理动作完全不同； · 找不到一个可复用的量化指标（α）来横向比工序、比时间。
使用方法
python negbin_yield.py # 示例数据（12 批） python negbin_yield.py 我的.csv
输入格式（CSV，UTF-8）
defect_count = 该批 fall-on-bit 缺陷总数
输出说明
· negbin_report.txt：基础参数与 α、模型对照、簇集敏感性外推、逐批实际 vs 预测、结论 · negbin_results.csv：逐批实际良率与两模型预测
注意事项
实测良率按「1-缺陷数/die」粗口径，仅作模型对照用，正式报表请换全测口径； α 建议按工序/产品分别拟合并按季度重估——它是「簇集指纹」，比模型选型更有价值。
会生成哪些文件
运行后除控制台输出外，还会生成：negbin_lots.csv、negbin_report.txt、negbin_results.csv。
工具中出现的字段与提示
- 负二项良率模型（Seeds）分析报告
- 【一、基础参数】
- 批数 %d；平均 die 数 %.0f；缺陷密度 D0=%.4f 缺陷/die
- 批间缺陷数：均值 %.1f，方差 %.1f
- 方差>均值 → 存在簇集。聚集参数 α=%.2f（α 越小簇集越严重）
- 方差≈均值 → 未检出明显簇集，泊松模型基本适用（仍给出负二项对照）。
- 【二、模型对照（单 die 良率口径）】
- 泊松模型 Y=exp(-D0) = %.2f%%
- 负二项模型 Y=(1+D0/α)^(-α) = %.2f%%
- 两模型差 %.2f 个百分点——低缺陷密度下两者接近，高密度差异见第三节
- 片级缺陷数预测（=D0×每片 die 数）：泊松 %.1f 个/片；负二项口径同均值
- 【三、簇集影响敏感性（用拟合 α 外推到高缺陷密度场景）】
- 单die缺陷密度 泊松良率 负二项良率 高估幅度
- 当前 D0=%.3f 时两者仅差 %.2fpt：低缺陷密度下簇集对良率影响小；
- D0 升到 1.0 以上（大 die / 高密度产品）后差异迅速放大，必须用负二项。
- 【四、逐批实际 vs 预测（单 die 口径）】
- 绝对偏差 RMSE：泊松 %.2fpt，负二项 %.2fpt → %s 更贴近实际
- （实际良率按 1-缺陷数/die 粗口径，仅供模型对照；精确口径请用全测数据）
其余字段以界面与示例报告为准。
下载与文件清单
压缩包内包含：主程序脚本、示例数据文件、示例输出报告、中文说明文档，以及同主题 AI 提示词一套。解压后按说明运行即可，示例数据可直接试跑。
主程序文件：negbin_yield.py。
本站工具免费下载，无需注册。工具为 Python 脚本，Python 3.8 及以上环境可直接运行，核心功能尽量不依赖第三方库。
常见问题
输入数据要准备成什么样？
按 示例首行中的列顺序准备即可，共 3 列：lot、die_count、defect_count。列为空或格式不符时结果会失真，建议先用示例数据试跑一遍。
跑完最该关注哪几项？
报告按 一、基础参数、二、模型对照（单 die 良率口径）、四、逐批实际 vs 预测（单 die 口径）、五、结论与使用建议 等部分组织，其中判定结论与建议部分直接对应下一步动作。
附赠的提示词怎么用？
把提示词与自己的数据一起交给大模型，可以让它按同一套口径帮你改写分析流程或扩展报告字段。
示例数据能直接跑吗？
可以。示例数据与主程序在同一压缩包内，解压后直接运行即可看到完整输出，确认无误再替换成自己的台账。
同分类的其它工具
分类归属：SPC与质量分析工具包；完整清单在 工具资源包下载页。
