用途：为设计、实现和优化先进计算机视觉流水线提供专家指导，涵盖 YOLO26 实时目标检测、SAM 3 基础模型分割、视觉语言模型（VLM）视觉推理，以及空间感知、深度估计与三维重建。
适用场景：设计高性能实时检测系统；实现零样本或文本引导分割；构建空间感知、深度估计或三维重建系统；为边缘设备（ONNX、TensorRT、NPU）优化视觉模型；将经典几何（标定）与现代深度学习结合。
主要能力：
- YOLO26 统一实时检测：无 NMS 端到端推理，降低延迟与复杂度；面向低功耗硬件的边缘部署优化（去除 DFL、MuSGD 优化器）；通过 ProgLoss 与 STAL 分配提升小目标识别精度。
- SAM 3 可提示分割：支持自然语言描述生成掩码（如“右侧的蓝色容器”）；SAM 3D 为独立 Objects/Body 仓库与检查点，用于三维重建，并非 SAM 3 的自动分割能力；应使用其文档化任务接口与基准条件，勿将上游指标泛化为“2 倍精度”。
- 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，从视觉输入提取结构化数据。
- 几何与重建：Depth Anything V2 单目深度估计；棋盘格/Charuco 亚像素标定用于高精度立体/多相机系统；视觉 SLAM 实时定位与建图。
推荐模式：文本引导视觉流水线（SAM 3 文本转掩码隔离特定部件，YOLO26 快速候选 + SAM 3 精确掩码细化）；部署优先设计（利用 YOLO26 简化的无 NMS ONNX/TensorRT 导出，MuSGD 需在真实数据集上对照固定基线评估，收敛提升为经验性而非保证）；渐进式三维场景重建（单目深度存在尺度与域歧义，单应性仅建模平面几何，测量精度要求高时需标定并使用相机几何或多视图）。
应避免：手动 NMS 后处理；仅依赖点击式分割；使用过时的 DFL 导出流程。
注意事项：SAM 3 显存占用较高，可考虑量化/蒸馏版本；文本提示需具体（如“5mm 螺栓”）；运动模糊可优化快门或利用时序跟踪一致性；硬件兼容性需验证具体导出器、算子、精度与设备运行时，简化架构不保证 NPU/TPU 支持。
限制：模型名称仅为待评估选项，非通用 SOTA 声明；需保留数据集划分、版本/检查点、预处理、延迟硬件/精度与实测指标。使用前须审查各模型/代码/数据许可，不得从公开仓库推断商业授权。本技能不捆绑或下载任何模型/检查点。图像/人物数据及安全关键或医疗用途需经批准的处理、同意与适当验证，模型输出不保证为真值。输出不能替代特定环境的验证、测试或专家评审。若缺少必要输入、权限、安全边界或成功标准，应停止并请求澄清。