不止图片分类，目标检测也用到了，毕竟检测包括定位与分类嘛。

CA作为多模态融合的一个重要组成部分，它通过注意力机制在不同模块之间建立联系，促进信息的交流和整合，从而提升了模型处理复杂任务的能力。

Agent作为当今人工智能的核心，本部分从笔者的实际使用案例来介绍，并用图例来解释说明。

在不同的语境下，术语token等有不同的解释。笔者这里的概念解释基于Google的ViT原文。NLP中，token指的是一个单词word。而CV中，token的概念包含：token、class token、patch token等。

OpenAI于2025年8月5日推出开源模型GPT-OSS-120B和GPT-OSS-20B，支持微调训练和128k上下文长度。120B模型在推理能力上接近O4-mini..

3. 跨模态融合：将「图像特征 Image Feature」和「文本嵌入 Text Embedding」融合起来增强「文本和图像表示 Text and Image Represention」，以便模型更全面地理解目标。2. 文本描述输入：「文本编码器 Text Encoder」接收与图像关联的「文本 Text」并进行编码，得到「文本嵌入 Text Embedding」。1. 视觉信息输入：「图像编

3. 跨模态融合：将「图像特征 Image Feature」和「文本嵌入 Text Embedding」融合起来增强「文本和图像表示 Text and Image Represention」，以便模型更全面地理解目标。2. 文本描述输入：「文本编码器 Text Encoder」接收与图像关联的「文本 Text」并进行编码，得到「文本嵌入 Text Embedding」。1. 视觉信息输入：「图像编

笔者在2025.4.23使用vscode调试ComfyUI的代码时，出现了`error: unrecognized arguments: --local-rank=0`，完成了解决

为了方便模型训练，我们人为地将图片中物体的位置与种类标注出来，这就是真实边界框Ground Truth。「Ground Truth」等价于「Ground Truth Bounding Box（GT BBox）」边界框Bounding Box则更多的是一种泛指，它可以指代各个类型的框。

咱们搞目标检测的，肯定得用过labelImg标定数据集吧。这里展示了快速安装方式与正常安装方式，还有基本的快捷键。