从空间地址到语言请求，还缺哪一种对应

现在已经有了三种可复用接口：共享视觉特征能供多个区域读取；区域与像素输出能描述对象位置和轮廓；点或框能指定本次关心哪一块。每一步都改变了系统收到的条件与需要交付的答案。

“框住左边杯子”把位置条件直接编码成坐标；“找到书左边的红杯”则要求系统将对象、属性、参照物和空间关系一起解释。文本并不是另一种坐标格式：同一个词可以对应多个对象，一段关系还可能指向并未直接被颜色词修饰的目标。

下一部分因此不是换一个更大模型继续同一输出，而是研究语言的几种角色：作为描述输出、作为图文配对学习信号、作为当前问题或指代条件。已有区域表示、mask 与分类能力成为可组合的部件，新训练要建立它们与语言的对应。

课后可沿自己的科研问题选择一条具体路径：若要测面积，先完成像素输出与指标；若要逐个操作对象，加入实例身份；若要按自然语言选择对象，再追踪语言条件如何进入视觉判断。主讲三部分的连接就落在这些输入输出关系上。