当我们在一个模型后面接另一个模型时，通常的做法是将前一个模型的输出作为后一个模型的输入，后一个模型会基于前一个模型的输出进行进一步的学习和预测，这种连接方式可以使得模型能够更好地利用前一个模型的输出信息，从而提高整个系统的性能。

在计算机视觉领域，我们可能会使用一个卷积神经网络（CNN）来提取图像的特征，然后将这些特征输入到另一个模型中进行分类或识别，在自然语言处理领域，我们也可以使用类似的做法，例如使用一个循环神经网络（RNN）来处理序列数据，然后将输出传递给另一个模型进行进一步的预测或分析。

需要注意的是，在连接多个模型时，需要考虑模型的复杂度、参数数量、计算成本等因素，以确保整个系统的效率和性能，还需要注意不同模型之间的兼容性和可扩展性，以便在未来进行进一步的扩展和优化。