#bb 感觉就是把普通的大语言模型整了一套提示词工程，然后输出做点软件上的纠正，把代码开发里面那一套试错自动重试的机制搬过来了。

没想到这玩意也能发论文，还对标 SAM 3 那些分割领域的专用模型。

说白了能有那么好的效果，还是因为接入了云端大模型，前沿的大模型都对这些场景有一定的训练，用本地千问跑了一下，只能说还行吧，但是要 18 分钟一张图片。😳