当前目标检测模型在海量标注数据下表现优异，但要实现"人类水平"的视觉智能，就必须能在仅有少量样本的情况下识别并定位新类别。少样本目标检测（FSOD）正是为此而生：旨在利用极少量（如1、5或10张）的新类别样本，结合已有的大量基类数据，完成对新类别目标的检测。本框架通过将预训练的DINOv2视觉骨干与具有强大上下文学习能力的大语言模型（LLM）引入FSOD，简化模型设计并大幅提升性能。