[CLS 11 · 语言定位与视觉模型接口](/course/notebooks/95169c3e298c4c819373bb4534f3dff9.html)

# 组合接口与选读边界
[独立阅读](/course/notebook-blocks/30c185dacfcf4fb59e6a8b9c3ae7be20.html)
按问题继续

目标/参照/关系、受控图像干预、短语区域学习、分割提示及连接器

## 组合接口与选读边界

语言定位可以先产出框，再将框交给 SAM 一类提示式分割接口。若语言阶段把参照杯当成目标，后续 mask 可能边界很准但对象错误；若框身份正确而边界差，应检查分割与分辨率。由此把错误沿接口定位，见 [提示式分割](/course/pages/l3-r2-p47.html) 和 [语言定位到局部输出](/course/blocks/glip-language-objective.html)。

**第五讲预备阅读。** BLIP-2 的 Q-Former、Flamingo 的视觉重采样和跨模态交互，提供与原始 LLaVA 线性投影不同的信息选择方式。它们留作接口比较，不是第三讲必须提前完成的 attention 专题。

压缩视觉向量可降低后续计算，但小字或小物体可能被丢失；提高分辨率也带来成本。判断时用同图换问、遮挡目标和关系交换等具体对照，而不把流畅回答本身当作细节保留的证明。

[BLIP-2 原论文](https://arxiv.org/abs/2301.12597) · [Flamingo 原论文](https://arxiv.org/abs/2204.14198)。回到 [三条主线的组件复用](/course/pages/l3-r2-p66.html)，然后进入 [第四讲 · 从条件多解走向生成模型](https://deepnote.com/project/6f83a923-d155-47be-be58-680db701ff7f/notebook/694b7a43ea4948f5a197c014c2fbad3b?utm_source=openai&utm_medium=mcp&utm_campaign=openaimcp&utm_content=694b7a43ea4948f5a197c014c2fbad3b&utm_term=get_notebook)。