用途：提供设计、实现与优化前沿计算机视觉流水线的专家指导，涵盖YOLO26实时目标检测、SAM 3基础模型分割，以及VLM视觉推理，定位为高级视觉系统架构与空间智能专家。
主要能力： 一、YOLO26统一实时检测，掌握无NMS的端到端推理架构以减少延迟与复杂度，支持去除DFL及MuSGD优化器面向低功耗硬件的边缘部署，并利用ProgLoss与STAL分配提升小目标识别精度。 二、SAM 3可提示分割，支持文本到掩码的自然语言描述分割、SAM 3D从单目或多视图图像重建物体场景与人体的三维结构，单一模型统一检测、分割与跟踪，精度较SAM 2提升2倍。 三、视觉语言模型，使用Florence-2、PaliGemma 2或Qwen2-VL进行语义场景理解与视觉问答，从视觉输入中提取结构化数据。 四、几何与重建，包含Depth Anything V2单目深度估计、棋盘格/Charuco亚像素标定，以及面向自主系统的实时视觉SLAM。
使用方式：适用于设计高性能实时检测、实现零样本或文本引导分割、构建空间感知与三维重建、为边缘设备（ONNX、TensorRT、NPU）优化模型，以及结合经典几何标定与现代深度学习的场景。推荐模式包括文本引导视觉流水线，即用YOLO26做候选提议、SAM 3做精确掩码细化；部署优先设计，利用无NMS的简化导出与MuSGD加速自定义数据集收敛；渐进式三维场景重建，融合单目深度图与几何单应性构建2.5D/3D表示。
限制与注意事项：SAM 3显存占用为中等风险，建议本地GPU使用量化或蒸馏版本；文本提示存在歧义，宜用描述性提示；运动模糊为中等风险，可优化快门速度或依赖SAM 3时序跟踪一致性；硬件兼容性为低风险。应避免手工NMS后处理、只用点击式分割，以及沿用不支持简化模块结构的旧版DFL导出流程。