# 从空间地址到语言请求，还缺哪一种对应
[独立阅读](/course/blocks/spatial-to-language-interface.html)**课堂上下文：从哪个问题来**
区域、像素、实例与提示已经提供可组合的空间部件。自然语言还要把对象、属性、参照物和关系连接起来；下一部分研究语言怎样成为输出、学习信号和任务条件。课后从学习路径中选一个完整实验，不必机械刷所有 Notebook。


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。



图内标签与数值：Lecture 03 课堂图解 P48；区域 + 轮廓 + 对象身份；“书左边的杯子”；文字条件；视觉区域 × 文字条件；需要学习两者的对应；下一步：描述、匹配、指代、问答；区域表示提供空间接口；语言再指定当前需要哪一个对象、哪一项信息。

空间特征、对象身份与提示接口汇合，再引出语言指定。 查看对应图解状态

- 区域 + 轮廓 + 对象身份
- “书左边的杯子”
- 文字条件
- 视觉区域 × 文字条件
- 需要学习两者的对应
- 下一步：描述、匹配、指代、问答
- 区域表示提供空间接口；语言再指定当前需要哪一个对象、哪一项信息。空间特征、对象身份与提示接口汇合，再引出语言指定。 [查看对应图解状态](/#/l3-r2-p48/0)[查看完整图解](/#/l3-r2-p48/0)

## 继续阅读与实验