建议还是要单独训练图像识别功能
就是给各种视频数据去喂
像以前字符识别，就是靠验证码输入给出了大量的样本
这个也一样，需要大量的各种角度的摄像头数据去训练，提高识别准确率
【 在 kof94 的大作中提到: 】
: 研究过图像识别的朋友知道，大模型的输出，对应的是一个物品列表，和每一个物品的概率，这个物品列表里面的东西数量是有限的。
: 比如，一个视频图像送进大模型，正常情况下会输出下面数据：
: 大卡车：95%
: ...................
--
FROM 124.207.9.*