Florence-2：先写图片说明，再把“汽车”和“建筑”落到具体区域

图片库只有文件名时，很难知道一张图里有哪些可用元素。Florence-2可以先生成整图说明，再把说明里的短语映射到具体区域，让“这张图有什么”与“它在哪里”连接起来。对素材管理或视觉工具开发，这比只得到一段无法定位的描述更有用。

官方notebook用一张青绿色甲壳虫汽车停在黄色建筑前的照片串起多项任务。<CAPTION>给出简短说明；之后把这句话交给<CAPTION_TO_PHRASE_GROUNDING>，返回汽车与黄色建筑两组框和对应标签。两步共享同一张图，文本不只是最终答案，也能成为下一步的输入。

微软官方notebook保存结果，汽车与建筑分别对应框和文字。这里展示官方已有运行，不是当前环境重跑。

先选任务，才能知道会收到什么

模型卡使用特殊任务标记控制输出。整图说明是一段文字；<OD>返回对象框与标签，示例里包括car、door和wheel；<DENSE_REGION_CAPTION>给区域更详细的描述，例如青绿色甲壳虫或木制双门。它们服务的编辑界面也不同：整图说明可帮助检索，区域描述可以挂在可点击的对象框上。

若已有一段想定位的短语，就用短语定位任务；若要识别图中文字，<OCR_WITH_REGION>提供四边形坐标与文字。后处理时要提供原图宽高，才能把模型序列转换成图像上的坐标。框、四边形与分割多边形不是同一种格式，接到标注或裁图工具时应保留任务类型。

描述更长，不代表信息更可靠

官方汽车例子本身就能帮助判断这一点。简短说明称green car，详细说明称blue Volkswagen Beetle，更长的说明还增加了车门、建筑状况等细节。读者不应因为段落变长就把每个描述都当成事实。对于素材检索，短描述可能已经够用；用于公开图注或产品信息时，车型、颜色与细节仍应人工核对。

同理，这份notebook的OCR演示是英文书封，不能用来证明中文票据、中文海报或复杂表格的效果。若任务需要中文，应另准备有标注的实际样本，比较文字与位置；任务列表里有OCR入口，只说明模型提供这种能力类型。

模型名还需要跟着具体版本走

Florence-2有base、large及各自的-ft版本，规模和训练设置不同。尤其本次核验时，large模型卡开头已标明它是继续预训练、4k上下文的版本，并提醒继续训练数据较少，可能训练不足；旧notebook保存输出和旧评测不能直接当作这一权重的复现结果。开发时应固定仓库修订和权重，并留存处理器版本。

模型卡与许可标注MIT，示例采用可执行远端模型代码的加载方式，实际接入需审查所固定的代码。对图片库来说，最可交付的中间成果是“原图＋任务标记＋文字或区域坐标”，使检索结果既有描述，也有能回到画面核对的位置。