来看一下 Meta（也就是 Facebook）。它在 2024 年 8、9 月份做了一个模型，是用来做人类视觉识别的，主要比如做人体姿态的识别。他就是想做一个基座，可以识别人类视觉的一些内容的。它可以识别以下内容：1. 姿态（Pose）：识别一些人类的姿态。2. 分割（Seg）：对图像进行分割，对人体的不同部位进行分割。3. 深度（Depth）：我们之前说过，在自动驾驶时，不能只分析前面的物体。它通过图像分割出哪个色块属于哪个物体，同时也需要理解这个物体距离车的远近，识别这个距离就是 Depth。4. 法线（Normal）：法线识别。