把 Qwen3-VL、Florence-2、InternVL 等视觉语言模型接进 ComfyUI 的节点包，顺带支持开放词表检测、SAM 分割、视频时序推理和 GGUF 量化加载。

把视觉语言模型的高层推理和细粒度感知接起来，让 VLM 能直接做开放词表目标检测，输出精确的框和掩码。