已收录文章摘要，完整内容可前往原文阅读。
多模型集成vs聚合单一模型聚合式视觉基础模型的概念听过吗？能否在单一模型中聚合检测、分割等一切视觉能力？在传统CV领域，不同任务需要不同模型，要实现完整的视觉能力栈，可能需要同时部署：CLIP用于图像