GLIP：把类别和短语都放到对象级定位任务中
课堂上下文：从哪个问题来
语言条件落实为空间输出时，需要明确目标、参照物和关系。GLIP 提供对象级学习和迁移的研究路线；LAB15 提供可逐像素追踪的规则实验。两者的层级不同，但都帮助判断系统到底把框放在谁身上，再与后续掩码处理连接。
GLIP 将对象检测与短语定位用于共同的预训练。传统检测类别可以转写成文字概念，短语资料又提供更开放的语言—区域对应。视觉与文字发生交互，训练同时要求语义匹配和位置正确；这比给一组外部裁图计算 CLIP 整图分数多了任务结构与定位监督。
原论文使用 2700 万 grounding 训练样本，包含人工标注和由网络图文扩展的资料；在其协议中，直接评估 COCO 得到 49.8 AP，LVIS 得到 26.9 AP，且说明预训练没有使用 COCO 图像。这里的数字是论文所报告的对象级迁移结果，不是本课程持球图的运行。它支持语言条件和区域学习能够带来可迁移检测接口这一方向。
对课堂场景，“拿球的蓝衣人”要求图中多个对象、属性与关系共同约束一个框。若候选框身份错了，后接分割模型即使边界非常准确，也会分错对象。反过来，目标身份正确但边界粗糙，应检查分割与采样接口。把定位和掩码衔接时分开检查，正是第二部分仍然有用的原因。
LAB15 负责透明的语言关系规则，GLIP 论文负责更一般的学习方案与研究证据。两者互相解释，不互相冒充。主讲保留这一对象级接口；完整训练配置与更广数据对照留材料阅读。
短语最终要对应局部区域；网页框是课程标注，不是本轮 GLIP 输出。 查看对应图解状态
- 指代：拿球的蓝衣人
- “蓝衣人”
- “拿球的”
- 图文交互 + 区域预测
- 短语对应与定位监督
- 训练目标落在局部区域
- 输出：与短语对应的框
- GLIP 把词语与空间定位放进同一学习任务
- 教学框展示任务接口，不是 GLIP 运行结果；区域交互和定位学习不能由整图分数直接代替。