La detección de anomalías en imágenes industriales es crítica para la fabricación automatizada. Sin embargo, la mayoría de los métodos existentes dependen de paradigmas de entrenamiento de una sola categoría, lo que resulta en una mala escalabilidad y una generalización limitada entre categorías. Estos enfoques requieren modelos separados para cada tipo de producto y no logran modelar la compleja distribución multimodal de muestras normales en escenarios de múltiples categorías. Para superar estas limitaciones, proponemos UniCLIP-AD, un marco unificado de detección de anomalías que aprovecha el conocimiento semántico general de CLIP y lo adapta al dominio industrial utilizando Adaptación de Bajo Rango (LoRA). Este diseño permite que un solo modelo maneje de manera efectiva diversas piezas industriales. Además, introducimos UniAD, un conjunto de datos de detección de anomalías industriales a gran escala recopilado de líneas de producción reales. Contiene más de 25,000 imágenes de alta resolución en 7 categorías de componentes electrónicos, con anotaciones tanto a nivel de píxel como a nivel de imagen. UniAD captura defectos finos, diversos y realistas, lo que lo convierte en un sólido referente para la detección unificada de anomalías. Los experimentos muestran que UniCLIP-AD logra un rendimiento superior en UniAD, con un AU-ROC del 92.1% y un F1-score del 89.8% en tareas entre categorías, superando las líneas base más fuertes (CFA y DSR) en un 3% de AU-ROC y un 23.9% de F1-score.