这项由新南威尔士大学（University of New South Wales）的Zechen Li、Baiyu Chen、Hao Xue和Flora D. Salim团队领导的研究于2025年8月发表，论文题为"ZARA: Zero-shot Motion Time-Series Analysis via Knowledge and Retrieval Driven LLM Agents"。有兴趣深入了解的读者可以通过arXiv:2508.04038访问完整论文，或在GitHub上查看相关代码（https://github.com/zechenli03/ZARA）。

人体运动识别技术就像给机器安装了一双能读懂人类行为的"眼睛"。当你佩戴智能手表跑步、用手机记录步数，或者让游戏机识别你的手势动作时，背后都有这类技术在默默工作。然而，现有的运动识别系统就像只会做一道菜的厨师——它们只能识别训练时见过的特定动作，一旦遇到新的运动模式或换了不同的传感器设备，就需要重新"学习"，这个过程既耗时又昂贵。

更令人困扰的是，这些系统就像不会解释的算命先生——它们能告诉你结果，但说不清楚是怎么得出这个结论的。在医疗监护或安全监控等关键领域，这种"黑盒"特性让人很难放心使用。而且，当你想要识别一个全新的动作类型时，传统方法就像要求厨师不看菜谱就做一道从未做过的菜一样困难。

新南威尔士大学的研究团队决定彻底改变这种局面。他们开发出了ZARA系统，这是世界上第一个能像经验丰富的侦探一样工作的运动识别系统。就像福尔摩斯能通过观察细微线索推断出事件真相一样，ZARA能够在从未见过某种运动的情况下，通过分析传感器数据的特征模式，准确识别出这是什么动作，并且能用通俗易懂的语言解释它是如何得出这个结论的。

这项研究的突破性在于，ZARA完全不需要针对新动作进行专门训练，就能实现比现有最强系统高出2.53倍的识别准确率。这就好比培养出了一位天才侦探，即使面对从未遇过的案件类型，也能通过丰富的知识储备和推理能力破解谜题。更重要的是，ZARA的每一次识别都附带详细的"破案报告"，清晰解释了它的推理过程，让用户完全了解识别结果的可靠性。

一、ZARA如何像侦探一样工作

ZARA系统的工作原理就像一个配备了完整侦探工具包的福尔摩斯。当面对一个新的运动识别任务时，它不是盲目猜测，而是按照严密的逻辑步骤进行推理。

首先，ZARA拥有一个庞大的"案例档案库"——这是一个自动构建的知识库，储存着不同运动之间的区别特征。就像侦探的案例档案会记录"抢劫案通常有这些特征，而入室盗窃案有那些特征"一样，ZARA的知识库详细记录着"走路和跑步在加速度模式上有什么不同"、"坐着和躺着在重力感应上有何区别"等关键信息。这个知识库的巧妙之处在于，它不是简单地记录每种运动的特征，而是专门记录任意两种运动之间的差异特征，这样即使遇到全新的运动组合，ZARA也能快速找到相关的区分线索。

其次，ZARA配备了一个智能的"证据收集系统"。当需要识别一个新的运动样本时，系统会根据传感器的佩戴位置（比如手腕、腰部或脚踝）自动搜索相关的历史数据作为参考证据。这个过程就像侦探根据案发现场的特点，从档案中调出类似案件的资料进行对比分析。ZARA使用了一种叫做"倒数排名融合"的技术，能够综合来自不同传感器位置的证据，确保即使某个传感器的信号不够清晰，其他传感器的数据也能提供补充信息。

最核心的创新是ZARA的"多级推理系统"，这就像让四个不同专业的侦探依次分析同一个案件。第一个"特征选择侦探"负责从知识库中挑选出最能区分候选动作的关键特征，比如在区分走路和跑步时，它可能会重点关注步频和冲击力强度。第二个"证据筛选侦探"则负责根据收集到的证据初步排除明显不符合的动作类型，就像侦探根据现场证据首先排除不可能的嫌疑人。第三个"精细分析侦探"会针对缩小后的候选范围选择更精细的区分特征。最后，第四个"结论推断侦探"综合所有信息得出最终结论，并生成详细的推理过程说明。

这种逐级推理的方式确保了ZARA不会被大量候选动作"淹没"，能够专注于最有可能的几种选择进行深入分析。每一级推理都会产生可读的中间结果，就像侦探会记录"根据现场痕迹，可以排除A和B两种可能"、"结合时间证据，C的可能性最大"等推理步骤。

二、突破传统识别技术的三大难题

传统的运动识别技术面临三个核心难题，就像古代的算命先生只能对着熟悉的签文占卜，一旦遇到新情况就束手无策。

第一个难题是"适应性差"的问题。现有系统就像只会在特定厨房使用特定厨具做菜的厨师，一旦换了厨房环境或厨具品牌就做不出同样的菜了。比如，一个在苹果手表上训练的运动识别模型，放到华为手表上可能就完全不准确了，因为不同品牌的传感器在数据格式、采样频率和灵敏度上都有差异。这意味着每次换设备或更新硬件，整个系统都需要重新训练，这个过程不仅耗时数周甚至数月，还需要重新收集大量的训练数据，成本极其高昂。

第二个难题是"零样本识别能力缺失"。传统系统就像只能背诵课本内容的学生，面对考试中的新题型就完全不会了。即便是那些号称具有"基础能力"的预训练模型，比如能够提取通用运动特征的编码器，在面对全新的动作类别时仍然需要额外训练一个专门的分类器。这就好比一个学生虽然掌握了数学基础知识，但每遇到新的题型都需要老师专门教授解题方法。而ZARA的突破在于，它能像真正理解了数学原理的学生一样，面对从未见过的题型也能通过推理得出答案。

第三个难题是"缺乏可解释性"。现有系统就像个不善言辞的专家，虽然能给出准确判断，但说不清楚判断依据。当系统识别出你正在"跑步"时，它无法告诉你是因为步频快、冲击力大，还是因为心率提升等因素做出这个判断。这种"黑盒"特性在医疗康复、老人监护或运动训练等需要专业指导的场景中就显得很有问题，因为用户和专业人士都需要了解识别结果的可靠性和具体依据。

ZARA通过创新的架构设计彻底解决了这三个问题。针对适应性差的问题，ZARA采用了"知识与检索驱动"的方法，不依赖于特定硬件的训练数据，而是通过抽象的运动特征知识进行推理，这使得它能够跨设备、跨平台地工作。针对零样本识别问题，ZARA建立了通用的运动区分知识库，能够处理任何新的动作组合，就像掌握了推理方法的侦探能够处理各种新案件一样。针对可解释性问题，ZARA的每一步推理都产生清晰的文字说明，用户能够完全理解系统是如何得出结论的。

三、ZARA的三大核心技术组件

ZARA系统包含三个相互配合的核心组件，就像一个完整的侦探事务所配备了档案室、证据收集部门和推理分析团队。

首先是"领域知识注入系统"，这相当于为AI侦探建立了一个无所不包的案例档案库。这个知识库的独特之处在于它的"成对结构"——不是简单地描述每种运动的特征，而是专门记录任意两种运动之间的区别特征。比如，它不仅知道"跑步的特征是步频快、冲击力大"，更重要的是知道"跑步与走路相比，主要区别在于垂直加速度的峰值更高"、"跑步与骑车相比，主要区别在于有明显的周期性冲击模式"。这种成对知识结构使得ZARA能够处理任何新的动作组合，因为无论出现什么新的候选动作，系统都能找到相关的区分特征。

知识库的构建过程完全自动化，就像让AI助手自动整理档案一样。系统会分析已有的运动数据，提取时域特征（如均值、标准差、峰值等）、频域特征（如主频率、频谱熵等）和跨通道特征（如不同轴向间的相关性等），然后使用机器学习方法计算每个特征在区分特定动作对时的重要性得分。这些得分会以"特征-重要性"对的形式储存起来，形成一个结构化的知识网络。

第二个组件是"位置特定的向量数据库系统"，这就像为不同类型的证据建立了专门的储存仓库。由于人们佩戴传感器的位置不同（手腕、腰部、脚踝等），相同动作产生的传感器信号模式会有很大差异。ZARA为每个佩戴位置建立独立的数据库，确保检索到的参考证据与查询样本在佩戴方式上保持一致。每个数据库都使用先进的向量搜索技术，能够快速找到与当前运动样本最相似的历史数据作为推理依据。

这个系统还实现了"类别平衡检索"的功能，确保每种候选动作都能获得公平的证据支持。传统检索系统可能会偏向于数据库中样本较多的动作类型，而忽略样本较少但可能正确的动作。ZARA通过为每个候选动作类别独立检索相同数量的参考样本，然后使用"倒数排名融合"技术综合多个传感器位置的检索结果，确保最终的证据集合既全面又平衡。

第三个组件是"分层多智能体推理系统"，这是ZARA的核心"大脑"，由四个专门化的AI智能体组成推理链条。这些智能体就像一个专业的调查团队，每个成员都有自己的专长和职责。第一个"初级特征选择智能体"负责从知识库中选择能够区分所有候选动作的关键特征，它会优先选择那些在多个动作对中都表现出高区分能力的特征。第二个"证据筛选智能体"基于检索到的证据和选定特征，构建详细的统计对比表，计算查询样本与各个候选动作在关键特征上的匹配程度，然后排除明显不匹配的动作类别。

第三个"精细特征选择智能体"针对筛选后的较小候选集合，选择更加精细的区分特征，这些特征专门用于区分相似度较高的动作。比如，在初步筛选排除了"坐着"和"跑步"后，如果剩下"走路"和"慢跑"两个选项，这个智能体就会选择能够精确区分这两种相似动作的细微特征。最后，第四个"决策洞察智能体"综合所有信息，进行最终的推理判断，并生成详细的自然语言解释，说明为什么选择了这个结果，哪些特征起了关键作用，以及结论的可信度如何。

整个推理过程完全透明，每个智能体的输出都采用结构化的自然语言形式，普通用户能够轻松理解每一步的逻辑。这种设计不仅保证了识别结果的准确性，更重要的是建立了用户对系统的信任，因为用户可以验证和理解系统的每一个推理步骤。

四、令人震撼的实验验证结果

为了验证ZARA的实际效果，研究团队进行了一场堪称"AI运动识别界奥运会"的大规模对比实验。他们选择了8个不同难度级别的公开数据集进行测试，这些数据集覆盖了从简单的日常活动到复杂的运动模式，就像从小学数学题到大学数学竞赛题的完整难度梯度。

实验设计采用了极其严格的"用户隔离"协议，确保测试的公平性。这意味着用于构建ZARA知识库和向量数据库的数据完全来自某些用户，而测试识别准确性时使用的数据则来自完全不同的用户。这种设计就像让一个学生在从未见过某位老师出题风格的情况下参加考试，真正考验系统的泛化能力。更严格的是，每个测试样本都确保在各个活动类别间平衡分布，避免了某些系统可能通过"押宝"常见动作来提高准确率的投机行为。

实验结果令人瞠目结舌。ZARA在所有8个数据集上都取得了最佳成绩，平均准确率达到81.6%，而之前表现最好的系统UniMTS只有39.4%的准确率，这意味着ZARA的性能提升了2.07倍。更令人印象深刻的是，在宏观F1得分（一个综合考虑识别准确率和召回率的指标）上，ZARA达到了81.4%，比最强基线高出2.53倍。这就好比在一场标准化考试中，ZARA得了81分，而之前的最佳系统只得了32分。

具体到不同难度级别的数据集，ZARA的表现更加亮眼。在"简单"级别的数据集上，包括Opportunity、UCI-HAR和Shoaib数据集，ZARA的准确率分别达到92.5%、90.0%和97.1%，几乎接近完美表现。在"中等"难度的PAMAP2、USC-HAD和MHealth数据集上，ZARA的准确率分别为76.7%、60.0%和86.3%，虽然有所下降但仍远超其他方法。即使在最困难的WISDM和DSADS数据集上，ZARA仍然保持了65.6%和84.2%的准确率，而其他方法在这些困难数据集上的表现大多不到30%。

特别值得注意的是ZARA在每个数据集上的F1得分都与准确率非常接近，这表明ZARA对所有动作类别都保持了均衡的识别能力，不会因为偏向某些常见动作而忽视少见动作。相比之下，许多基线方法的F1得分远低于准确率，说明它们存在明显的识别偏见。

研究团队还对比了10种不同类型的基线方法，包括直接使用大语言模型处理原始数据的方法、将传感器数据转换为图像后使用多模态模型的方法，以及各种预训练的运动识别模型。结果显示，直接使用大语言模型的方法表现最差，准确率通常只有10%-20%，这证明了原始的大语言模型确实不适合处理传感器时序数据。而那些专门为运动识别设计的预训练模型，虽然在有监督学习环境下表现不错，但在零样本识别任务上都表现平平，最好的也只达到39.4%的准确率。

五、深度解析ZARA各组件的关键作用

为了理解ZARA为什么如此成功，研究团队进行了详细的"拆解实验"，就像拆开一台精密机器来研究每个零件的作用一样。这些实验揭示了ZARA每个组件对最终性能的具体贡献，为我们理解这个系统的工作原理提供了珍贵的洞察。

首先，研究团队测试了不同检索策略对ZARA性能的影响。他们比较了四种不同的证据检索方法：传统的动态时间规整（DTW）方法、两种不同规模的Moment预训练模型，以及专门针对时序分类优化的Mantis模型。结果显示，尽管使用不同的检索策略，ZARA的性能都保持在较高水平，平均准确率在79.1%到81.6%之间波动。这证明了ZARA架构的鲁棒性——即使某个组件的性能有所差异，整体系统仍能保持稳定的表现。

有趣的是，传统的DTW方法虽然计算速度最慢（平均每个查询需要0.38秒），但仍能达到79.1%的准确率，这说明ZARA的核心推理框架非常有效。而使用Mantis模型作为检索器时，ZARA达到了最佳性能81.6%，但检索速度也相对较慢（0.18秒每查询）。Moment-small模型提供了最佳的速度-性能平衡，只需0.04秒就能完成检索，同时保持79.4%的准确率。

更重要的发现是，ZARA即使在零样本设置下，也经常能超越那些使用了任务特定分类器的预训练模型。比如，使用Moment-small作为检索器的ZARA在8个数据集中的6个上超越了使用相同编码器但配备专门训练分类器的基线系统。这就好比一个从未接受过专门训练的通才，在特定任务上击败了经过专门训练的专家，充分说明了ZARA推理框架的优越性。

证据检索模块的关键作用通过对比实验得到了清晰验证。当研究团队移除检索模块，改用全局统计特征替代时，ZARA的平均准确率从81.6%下降到71.8%，下降了近10个百分点。这个实验就像去掉了侦探的现场证据，只让他凭借一般性知识破案，结果显然会大打折扣。更细致的分析显示，检索模块不仅提升了最终识别准确率，还提高了中间筛选步骤的质量——有检索支持时，91.4%的查询在筛选后仍保留了正确答案，而没有检索支持时这个比例降到了86.7%。

证据筛选智能体的重要性同样得到了实验验证。当系统跳过筛选步骤，直接让决策智能体处理完整的候选动作集合时，平均准确率从81.6%降到了68.2%。这个下降幅度说明筛选步骤不仅仅是为了减少计算量，更重要的是帮助系统聚焦于最有希望的候选项。实验数据显示，筛选智能体通常将候选动作数量从原来的6-19个缩减到2-3个，同时保持91.4%的正确答案保留率。这种精准的筛选能力让后续的精细分析更加有效。

最令人印象深刻的是领域知识库的贡献。当研究团队移除知识库，让ZARA完全依赖大语言模型的内在知识进行特征选择时，系统性能出现了戏剧性下降，平均准确率从81.6%暴跌到63.4%，下降了18.2个百分点。这个实验就像让一个侦探在不查阅任何案例档案的情况下破案，仅凭个人经验和直觉工作。虽然大语言模型确实具有一定的运动识别相关知识，但这种通用知识远不如专门构建的领域知识库精确和有效。

特别有意思的是，知识库的作用在不同难度的数据集上表现出不同的重要程度。在简单的数据集上，移除知识库造成的性能损失相对较小，因为动作之间的区别比较明显，大语言模型的常识性知识也能提供一定帮助。但在复杂数据集上，特别是包含多种相似动作的数据集上，知识库的作用就变得至关重要。比如在WISDM数据集上，有知识库支持时ZARA的准确率为65.6%，而没有知识库时只有53.8%，差距达到11.8个百分点。

六、ZARA在实际应用中的巨大潜力

ZARA技术的成功不仅仅是学术研究的突破，更重要的是它为实际应用开启了全新的可能性。这种"即插即用"的零样本运动识别能力将在多个领域产生深远影响。

在健康医疗领域，ZARA的应用前景尤其令人兴奋。传统的康复监护系统需要针对每个患者的特定病情和康复需求进行定制化训练，这个过程不仅耗时，还需要大量的专业人员参与。ZARA的零样本识别能力意味着，一个康复中心可以立即为新患者提供运动监护服务，无需等待系统训练。更重要的是，ZARA提供的详细解释功能让医护人员能够理解每个识别结果的依据，这对于制定治疗方案和评估康复效果至关重要。

比如，当一个中风康复患者进行步态训练时，ZARA不仅能识别出患者当前的步行模式是否正常，还能详细解释"检测到左腿支撑时间过短，可能是因为左侧力量不足导致的步态不稳"。这种解释性输出为康复师提供了宝贵的客观数据支持，帮助他们调整训练方案。

在运动健身领域，ZARA的多传感器融合能力为运动姿态分析提供了新的可能。现有的健身应用通常只能识别基本的运动类型，而无法提供姿态质量的深度分析。ZARA通过整合来自多个身体部位传感器的数据，能够提供更全面的运动姿态评估。当用户进行深蹲训练时，系统不仅能识别出这是"深蹲"动作，还能分析"膝盖角度是否标准"、"重心是否稳定"、"动作节奏是否合适"等细节问题，并用通俗易懂的语言向用户解释如何改进。

智能家居和老人监护是另一个重要的应用场景。传统的跌倒检测系统往往存在误报率高的问题，因为它们难以区分正常的快速动作（如坐下、躺下）和真正的跌倒事件。ZARA的高精度识别和可解释性特点使得它能够为家庭监护提供更可靠的安全保障。系统能够准确区分"老人正常坐到沙发上"和"老人意外跌倒"，并在检测到异常情况时提供详细的事件描述，帮助家属或医护人员快速了解情况。

在工业安全和人体工程学领域，ZARA的应用同样前景广阔。工厂车间的工人长期从事重复性动作，容易出现职业性肌肉骨骼损伤。传统的工作姿态评估需要专业人员现场观察或使用昂贵的动作捕捉设备。ZARA技术使得企业能够通过简单的可穿戴设备持续监控工人的工作姿态，及时发现可能导致伤害的不良动作模式。系统能够识别出"工人的弯腰频率超过安全标准"或"某个操作动作的力度过大"，并提供改进建议。

体育训练和竞技分析是ZARA技术的另一个重要应用方向。传统的运动技术分析主要依赖教练的主观判断和昂贵的专业设备。ZARA的多传感器分析能力为运动技术的客观量化提供了新工具。游泳教练可以通过ZARA系统分析运动员的泳姿细节，篮球教练可以评估投篮动作的一致性，网球教练可以分析发球技术的稳定性。更重要的是，这些分析结果都有清晰的解释说明，帮助教练和运动员理解技术问题的根源。

教育和科研领域也能从ZARA技术中受益。运动生物力学研究往往需要大量的数据收集和分析工作，传统方法不仅耗时还需要专业的实验设备。ZARA的零样本识别能力使得研究人员能够快速分析新的运动模式，而无需为每种新运动重新设计识别算法。体育教学中，ZARA可以为学生提供即时的动作反馈，帮助他们更快地掌握运动技能。

七、技术普及面临的挑战与解决方案

尽管ZARA展现出了巨大的应用潜力，但从实验室走向大规模实际应用仍然面临一些挑战，就像一项革命性的技术需要克服各种现实障碍才能真正造福社会。

首先是计算资源和响应时间的考量。ZARA的多智能体推理过程虽然提供了卓越的准确性和可解释性，但相比传统的单一模型推理，计算开销更大。特别是在需要实时响应的应用场景中，如跌倒检测或紧急情况识别，系统需要在几百毫秒内给出结果。研究团队的实验显示，使用不同的检索策略，ZARA的平均响应时间在0.04到0.38秒之间。虽然这对大多数应用来说已经足够快，但在某些对时延极其敏感的场景中仍需进一步优化。

解决这个问题的方向包括两个方面。一方面，可以根据应用场景的具体需求选择合适的检索策略，在精度和速度之间找到最佳平衡点。比如，对于健身应用这种对实时性要求不那么严格的场景，可以选择精度最高的Mantis检索器；而对于紧急监护应用，则可以选择速度更快的Moment-small检索器。另一方面，可以通过技术优化进一步提升系统效率，如使用更高效的向量检索算法、优化大语言模型的推理过程，或者为常见的运动模式构建快速识别的"捷径"。

其次是知识库的持续更新和维护问题。ZARA的知识库虽然能够处理各种运动组合，但仍然需要基于一定数量的标注数据来构建初始的特征重要性评分。当出现全新类型的运动或者传感器技术发生重大变化时，知识库可能需要相应的更新。这就像一本百科全书需要定期修订以包含新的知识一样。

这个挑战的解决方案是建立一个分布式的知识更新机制。可以设计一个允许用户贡献新运动数据和验证识别结果的平台，通过众包的方式持续丰富和完善知识库。同时，可以开发自动化的知识库评估和更新算法，定期检查现有知识的有效性，并在检测到识别性能下降时自动触发知识更新流程。

第三个挑战是不同用户群体间的个体差异问题。虽然ZARA在跨用户的实验中表现出色，但现实中不同年龄、身高、体重、健康状况的用户在进行相同运动时可能表现出显著不同的传感器信号模式。老年人的走路模式与年轻人明显不同，康复患者的动作幅度和频率也与健康人存在差异。

针对这个问题，可以开发个性化适应机制。系统可以在用户初次使用时进行简单的校准过程，收集用户执行几个标准动作时的传感器数据，然后调整识别模型的参数以更好地适应该用户的特征。这个过程不需要重新训练整个系统，只需要在现有框架基础上进行微调，保持了ZARA零样本识别的核心优势。

数据隐私和安全也是实际应用中必须考虑的重要问题。运动数据包含了用户的健康状况、生活习惯等敏感信息，需要采用严格的隐私保护措施。ZARA的架构设计天然地支持本地化部署，大部分推理过程可以在用户设备上完成，只有在需要访问知识库时才与云端服务器通信。这种设计最大程度地保护了用户的隐私数据。

最后一个挑战是技术普及和用户接受度的问题。尽管ZARA提供了详细的解释功能，但普通用户可能仍然需要时间来理解和信任这种新的交互方式。特别是在医疗和安全相关的应用中，用户对AI系统的信任度直接影响技术的采用效果。

解决这个问题需要从用户体验设计和科普教育两个角度入手。在产品设计上，应该注重界面的友好性和解释内容的可理解性，避免使用过于技术性的术语。在科普教育方面，需要通过多种渠道向公众解释ZARA技术的工作原理和优势，建立用户对技术的信心和理解。

说到底，ZARA代表了人工智能在运动识别领域的一个重要里程碑。它不仅解决了传统技术的核心痛点，更重要的是为我们展示了一种全新的AI应用模式——不是替代人类的判断，而是以透明、可理解的方式辅助人类做出更好的决策。这种"AI助手"而非"AI黑盒"的设计理念，或许代表了人工智能技术发展的一个重要方向。

随着可穿戴设备的进一步普及和传感器技术的不断进步，ZARA这样的智能运动识别系统有望成为我们日常生活中不可或缺的健康助手。从监测日常活动到指导康复训练，从优化运动表现到预防意外伤害，这项技术正在为构建更加智能、健康的生活方式奠定基础。更重要的是，它所体现的"可解释人工智能"理念，为AI技术在更多关键领域的应用提供了有益的探索和示范。

Q&A

Q1：ZARA运动识别系统的核心创新是什么？

A：ZARA是首个零样本运动识别系统，无需针对新动作重新训练就能准确识别。它像侦探一样工作，通过自动构建的知识库、智能证据检索和多级推理，不仅能识别从未见过的运动，还能用通俗语言解释识别依据，准确率比现有最强系统提升2.53倍。

Q2：ZARA系统如何保证识别结果的可信度？

A：ZARA采用四级智能体推理链条，每个环节都产生可读的推理过程。从特征选择到证据筛选，再到精细分析和最终决策，每步都有详细说明。用户能看到系统基于哪些传感器特征、参考哪些证据得出结论，完全透明的推理过程让用户可以验证和理解识别结果。

Q3：ZARA能应用到哪些实际场景中？

A：ZARA适用于健康医疗（康复监护、步态分析）、运动健身（姿态评估、技术指导）、老人监护（跌倒检测、日常活动监控）、工业安全（工作姿态评估）等多个领域。其零样本识别和可解释性特点使其能够即插即用，无需针对不同用户或场景重新训练。