在YOLOv5的各类改进方案中，注意力机制几乎是“人手一个”的标配。从SE、CBAM到ECA、CA，再到近两年被频繁引用的GAM（Global Attention Mechanism），各类注意力模块的论文和开源实现层出不穷。但一个被反复回避的问题是：GAM到底能涨多少点？代价又是什么？
本文基于近期的学术论文和开源实践，系统梳理GAM在YOLOv5上的真实表现——涨点幅度、参数量与FLOPs增量、与CBAM/SE/ECA的横向对比，以及部署阶段的量化影响。结论先行：GAM在YOLOv5上的典型涨点幅度为mAP@0.5提升0.6~1.6个百分点，但FLOPs增幅通常在30%以上，部分场景推理速度下降接近18%。“涨点明显”是真的，“计算量增加”也是真的，关键看你的场景是否承受得起。
一、GAM是什么？为什么它能涨点？
GAM由论文《Global Attention Mechanism: Retain Information to Enhance Channel-Spatial Interactions》提出，核心设计思路与CBAM有本质区别。
CBAM的局限性在于：通道注意力使用全局平均池化，空间注意力使用7×7卷积，两者串行执行。这种设计在高分辨率特征图上会丢失大量空间位置信息。
GAM的做法是：通道注意力子模块使用3D排列（即C×W×H三维特征），通过多层感知机（MLP）同时建模通道与空间的交互；空间注意力子模块使用两个7×7卷积进行空间信息融合，压缩比为r。两
