本文介绍了一种聚合Transformer的方法（AGER），用于人-物互动（HOI）检测。AGER通过动态聚类和文本引导相结合，实现了在单阶段、端到端方式中的灵活应用。在HICO-Det数据集上，AGER取得了36.75的mAP，达到了最新的性能水平。