在 CLIP 出现之前，让计算机同时“看懂图像、理解文字”，其实已经是一个被研究了很多年的问题。只要稍微想一想就能明白：如果模型既能处理图像，又能处理语言，那它就有可能完成图文搜索、图片描述、视觉问答等各种任务，这听起来非常有吸引力。
也正因为如此，计算机视觉和自然语言处理领域的研究者，早早就开始尝试“跨模态学习”，也就是把图像和文本放在同一个模型里一起建模。然而，有些尴尬的是：这些方法虽然在论文里能跑出不错的结果，但很难真正变成一种稳定、通用、可以长期复用的基础能力。模型往往是“为某个任务量身定做的”，而不是“可以反复拿来用的工具”。
系统集成并不是从接线或上电开始，而是从空间与结构层面的约束开始。 对于无人机而言，布局与布线并非单纯的机械装配问题，而是决定系统稳定性、电磁环境可控性以及后续调试难度的基础工程环节。本章从系统工程视角出发，讨论布局与布线在无人机系统集成中的核心作用，并阐明其对飞控算法、传感器可靠性以及通信稳定性的深远影响。
在系统生命周期中，布局一旦确定，后续可调整的空间将急剧收缩。因此，合理的布局与布线设计，本质上是在系统早期为稳定性与可维护性预留自由度。更进一步，布局与布线决定了系统中干扰源如何产生、如何传播以及如何被感知，从而决定后续软件配置与参数调节的难度上限。为了使讨论具有工程可复用性，本章在原则陈述之外，将若干关键点表达为可复核的空间与走线约束，使其能够在装配阶段被直接检查与确认。
视觉分割是计算机视觉体系中一类基础而关键的任务。与图像分类主要回答“图像中包含哪些语义概念”不同，分割进一步要求回答“这些对象在图像中的具体位置、形状与边界是什么”。这意味着分割并非以整幅图像或候选框为单位进行判断，而是直接作用于像素层面，需要对图像中每一个像素给出明确的归属结果。
正因为输出粒度从“区域”细化到“像素”，视觉分割不仅考验模型的语义理解能力，更对其空间表达能力、上下文建模能力以及结构化预测能力提出了更高要求。在进入可提示分割与通用分割模型的讨论之前，有必要首先对分割任务本身的定义、输出形式以及任务类型进行系统回顾，从而为后续模型结构与问题设定的演进奠定清晰而统一的概念基础。
回看整个 2025 年，感觉这一年很难用具体结果来概括。更多时候，我还是在投入去做一件不太显眼、却有点基础的事情：在 AI 的辅助下，重新整理学习新事物的方式。
这一年，我对“学习”本身的看法有了一些变化。过去，我更习惯把学习理解为获取知识点，但在实际过程中逐渐发现，这样的理解有些片面。真正影响学习效率的，似乎并不是知道了多少信息，而是这些信息在大脑中是否能够形成稳定的连接，并且在适当时候否能被成功调用。
从这个角度看，学习更像是在不断构建的网络。每一次学习，本质上都是在神经元之间建立新的连接，或强化已有的连接。当连接逐渐增多、结构逐渐清晰，新东西带来的认知负荷就会减轻，理解也会变得顺畅一些。
在目标检测的发展历程中，YOLO 与 DETR 往往被视为两种截然不同的技术路线，其差异不仅体现在网络结构或训练策略上，更反映了对“目标检测这一问题应当如何建模”的根本理解差别。
直观而言，YOLO 系列方法遵循的是一种密集预测思路：模型在图像的各个空间位置上独立判断是否存在目标，并同时回归其类别与边界框位置。这种做法强调局部决策与并行计算，因而具备极高的推理效率，但也不可避免地会对同一目标产生多次冗余预测，必须借助非极大值抑制等后处理机制进行去重。具体可参考： 物体检测评估指标和YOLO-v1实现思路