Bestehende externe 3D-Detektoren folgen stets einem modularen Pipeline-Design, um von unbegrenzten sequenziellen Punktwolken zu profitieren. Wir haben festgestellt, dass das volle Potenzial externer 3D-Detektoren hauptsächlich aus zwei Gründen nicht vollständig ausgeschöpft wird: (1) Der eingebordene Mehrfachobjekttacker kann nicht genügend vollständige Objekttrajektorien generieren, und (2) der Bewegungszustand der Objekte stellt eine unvermeidliche Herausforderung für die objektorientierte Verfeinerungsphase dar, bei der langfristige zeitliche Kontextrepräsentationen genutzt werden sollen. Um diese Probleme anzugehen, schlagen wir ein neues Paradigma für externe 3D-Objekterkennung vor, das DetZero genannt wird. Konkret wird ein offline-Tacker in Kombination mit einem Mehrbild-Detektoren vorgeschlagen, um sich auf die Vollständigkeit der generierten Objektspuren zu konzentrieren. Ein Aufmerksamkeitsmechanismus-basierter Verfeinerungsmodul wird vorgeschlagen, um die Kontextinformationeninteraktion über langfristige sequenzielle Punktwolken durch dekomponierte Regressionsmethoden zu verstärken. Ausführliche Experimente auf dem Waymo Open Dataset zeigen, dass unser DetZero alle aktuellen state-of-the-art eingebordenen und externen 3D-Erkennungsmethoden übertrifft. Bemerkenswerterweise belegt DetZero den ersten Platz im Waymo 3D-Objekterkennungsranking mit einer Erkennungsleistung von 85,15 mAPH (L2). Weitere Experimente bestätigen die Anwendbarkeit hochwertiger Ergebnisse zur Ersatz von menschlichen Labels. Unsere empirische Studie führt zu einer Neubewertung etablierter Konventionen und interessanten Erkenntnissen, die zukünftige Forschungen im Bereich der externen 3D-Objekterkennung leiten können.