用途：把（图像 + KITTI 格式边界框标签）转换为统一的 annotations.jsonl，生成有依据的 referring expressions。VLM 充当“teacher”标注器。
主要能力：四步流水线——Step 0 region_expr 为每个 KITTI bbox 输出简短判别短语（bbox_2d、type、color、description）；Step 1 image_caption 输出整体场景描述；Step 2 grounding_expr 将 Step 0 对象分组成短语并返回每组 bbox 列表，可用 Step 1 描述作上下文；Step 3 double_check 可选，复查每个 bbox，删除错误匹配并收紧略有偏差的框。Step 0 与 1 在线程池中并行。每步写 step_<N>_*/annotations.jsonl，重跑默认跳过已处理图像，除非 workflow.force_reprocess: true。
使用方式：在 TAO Toolkit 容器（nvcr.io/nvidia/tao/tao-toolkit:6.26.3-pyt）内通过 auto_label CLI 运行。配置 data.image_dir（.jpg/.jpeg/.png）与 data.kitti_label_dir（每图一个 .txt，KITTI 格式，<type> <truncated> <occluded> <alpha> <bbox_left> <bbox_top> <bbox_right> <bbox_bottom>，少于 8 字段的行会被静默跳过）；已有统一 annotations.jsonl 时设 data.input_annotations_jsonl 续跑。VLM 端点可选 Gemini（vlm.backend: "gemini"，需 GOOGLE_API_KEY）或 OpenAI 兼容端点（vlm.backend: "openai"，含 NIM、TAO 推理微服务、vLLM、自定义）。命令示例：
auto_label generate -e /path/to/spec.yaml
results_dir=/results
image_referring_expression.data.image_dir=/data/images
image_referring_expression.data.kitti_label_dir=/data/labels
image_referring_expression.vlm.gemini.api_key=$GOOGLE_API_KEY
生成默认 spec：auto_label default_specs results_dir=/results module_name=auto_label，再设 autolabel_type: "image_referring_expression"。所有字段支持 Hydra 点号覆盖。workflow.steps 可选完整流程 ["0","1","2","3"]、无描述 ["0","2","3"]、无复核 ["0","1","2"] 或子集；workflow.output_format 为 jsonl、legacy 或 both（both 为下游工具默认）。
输出：results_dir/ 下的 seed_annotations.jsonl、各步 annotations.jsonl，以及最后完成步骤的副本 annotations.jsonl；legacy/both 时另写 .txt.stepN 文件。
适用场景与限制：适合用图像加 KITTI 标注自动生成指代表达与 grounding 数据。需至少一个支持图像输入的 VLM 端点；种子阶段需 PIL/Pillow（容器内已有）。建议先在 5-10 张图上跑四步并检查各步输出，质量不足时换更强模型或调高 media_resolution / max_output_tokens 后以 force_reprocess=true 重跑。其余收费、价格、平台等信息暂未提供。