本文基于YOLOv13 官方仓库（iMoonLab/yolov13，ultralytics 8.3.63 fork）实测整理，Windows/CPU 全程可跑。Conv2Former（Huo et al., CVPR 2023《Conv2Former: A Simple Transformer-Style ConvNet for Visual Recognition》，官方源码 github.com/HVision-NKU/Conv2Former）把自注意力简化到极致：用大核深度卷积生成与内容相关的调制权重，直接逐通道缩放 value——没有 QK^T、没有注意力矩阵。本文把官方 Block 插进 v13n 层 8 之后（P5 出口，256 通道 @20×20），实测+747,520 参数、GFLOPs 6.5→7.13，与官方逐位一致（max diff = 0），1 轮冒烟训练正常完成。前言"动态卷积/注意力"家族的又一条线：CondConv/ODConv（第 17 篇）学多个卷积核做加权，DynamicConv2d（第 86 篇）对卷积核做 softmax 注意力，FocalModulation（第 20 篇）用卷积生成焦点调制——Conv2Former 走得更简：空间注意力权重不用算相似度，直接用一个大核深度卷积从特征里"卷"出来（大核天然覆盖长距离上下文），然后att ⊙ v逐通道调制 value。作者证明了这条"卷积式注意力"路线在分类/检测