Transformers 社群回報 LLMDet 權重共用缺陷，偵測框可能偏離物件

Transformers 社群於 10 月 12 日提出一項物件偵測模型載入問題：MM Grounding DINO 類別可能把各解碼層的邊界框與分類頭，全部綁定至第零層，即使模型設定明確要求各層獨立。回報者使用 Transformers 5.18.0，並指出 5.19.0 與主分支具有相同綁定規則；截至查核時，議題仍開放，尚無維護者確認。問題回報

這項差異涉及模型載入後的實際計算結構。LLMDet tiny 的公開設定包含六個解碼層，且 decoder_bbox_embed_share、decoder_cls_embed_share 均為 false。模型卡說明，LLMDet 透過大型語言模型共同訓練強化開放詞彙偵測，但發布的推論檢查點不包含訓練用語言模型，推論方式與 MM Grounding DINO 相同。模型設定、模型卡

回報者以模型卡的貓與遙控器圖片，在 CPU、單精度環境比較預設載入與逐層還原檢查點權重的結果。預設載入時，一隻貓的框上緣位於影像外，另一隻的下緣超出影像高度；還原各層偵測頭後，框座標明顯改變。作者也指出，分類頭具有可學習偏置，共用它同樣可能改變分數。這是單一案例的對照，不能直接換算為整體準確率損失。重現程式與輸出

對工程團隊而言，這提示升級框架時應驗證權重是否按設定保持獨立，並以固定影像比較框座標與分類分數。依此回報推論，只確認模型成功載入，可能不足以發現計算結構已改變。接下來應關注維護者對版本範圍的確認、條件式權重綁定修補，以及完整資料集評估；作者手動還原權重的做法目前僅是診斷實驗，尚未成為正式修補。