这项由中山大学、鹏城践诺室与好意思团说合开展的谋略，以预印本款式于2026年4月27日发布在arXiv平台，编号为arXiv:2605.00891v1。感有趣的读者可通过该编号检索竣工论文。

手机里的相机每天拍下无数张像片和视频，东说念主们早已民俗了用AI来识别像片里的猫咪、帮像片中的东说念主物换个配景，或者给视频打上自动字幕。但是，当你果真去看这些AI的"眼睛"时，会发现一件有些奇怪的事——大多数横暴的AI要么只会"看图讲话"，要么只会"圈出倡导"，却很少有谁能同期把这两件事作念得既好又快，更别说同期应酬图片和视频了。

这恰是这项谋略要惩办的问题。谋略团队开发了一个名为X2SAM的系统。这个名字里的"X2"不错一语气为"率性到率性"——率性的指示，对应率性类型的图像分割任务，既能处理静止的图片，也能处理动态的视频，且二者共用澌灭套大脑。

---

一、为什么咱们需要一个"万能选手"？

在AI视觉限制，有一类相等进犯的任务叫作念"图像分割"——正常地说，即是让AI把画面中每一个像素都归类，精确地圈出"哪些像素属于猫咪"、"哪些像素属于配景"。这就好比一幅填色画，AI需要把每个区域都精确地涂上对应的神思，而不单是是在画上贴一个标签说"这里有只猫"。

现在已有两类器具各自作念这件事。一类是荒谬生成高质料像素级蒙版的"分割基础模子"，比如SAM和SAM2。SAM就像一把精确的好意思工刀，你用鼠标在图上点一个点，它就能把阿谁物体精确地裁出来。但问题是，它只意识鼠标点击、方框之类的"物理手势"，系数不懂语言。你不行跟它说"帮我把视频里那只一直在白墙旁来往走动的东说念主圈出来"——它根蒂听不懂。

另一类是多模态大语言模子（不错把它一语气为"能看图的ChatGPT"），比如LLaVA、Qwen-VL等。这类模子语言一语气智商极强，你说什么它都能听懂，但它的输出是翰墨，不是精确的像素蒙版。它能告诉你"这张图里有一只橙色的猫坐在沙发上"，却无法精确地圈出那只猫的每一根髯毛。

在这两类器具之间，有一批"缝合怪"式的谋略试图把二者合并，比如LISA、GLaMM等，它们让语言模子去驱动分割模子，收场"用语言状貌、用像素呈现"的成果。但是这些模子大多只可处理静态图片，遭受视频就安坐待毙；或者能处理视频，却不维持视觉辅导（也即是说，你没法用鼠标框一个区域告诉它"帮我跟踪这个东西"）。

果真的痛点就在这里：莫得一个模子能同期作念到——一语气复杂语言指示、领受鼠标框选之类的视觉辅导、处理图片、处理视频，而况把通盘这些任务长入在一个框架里，生成时候上连贯的像素蒙版。X2SAM恰是为了填补这个空白而生。

---

二、X2SAM聪颖什么？一场遮掩14种任务的"全科体检"

为了让读者有直不雅感受，不错把X2SAM瞎想成一位具备"全科智商"的视觉助手，它能领受多样款式的指示，然后在图片或视频上精确地圈出你怜惜的骨子。

这位助手能作念的事情，不错从图片和视频两个维度各列举七种智商来一语气。在图片维度，它不错作念通用分割（把图里通盘东说念主、车、树都分类圈出来）、洞开词汇分割（圈出率性你说出名字的东西，包括它从没荒谬历练过的类别）、指代分割（凭证"左边阿谁穿红衣着的东说念主"这么的状貌圈出倡导）、推理分割（凭证"能用来倒进玻璃杯里的东西"这么需要推断的状貌找到倡导）、接地对话生成（一边状貌画面一边在对应的词语上标出蒙版）、交互式分割（你鼠标点一个点或画一个框，它就圈出阿谁区域）、视觉接地分割（你给它看一张参考图里的某个区域，它在倡导图里找到对应物体并圈出来）。

在视频维度，这七种智商全部对应地延长过来，而且因为视频是一语气的帧序列，每种智商还需要额外处理时候上的连贯性——也即是说，第一帧圈出来的那只猫，在后续几十帧里也要被精确地捏续跟踪。

谋略团队还荒谬淡薄了一项新任务：视频视觉接地分割（V-VGD）。这个任务的设定是这么的：你在视频的第一帧上用鼠标框出一个倡导，系统需要自动跟踪这个倡导，在通盘视频的每一帧里都生成精确的蒙版。这个任务莫得现成的数据集，谋略团队从两个已有的视频数据集（YT-VIS19和VIPSeg）起程，构建了YT19-VGD和VIPSeg-VGD两个新数据集，并以此建造了V-VGD基准测试体系。

---

三、X2SAM是如何使命的？一套协同配合的"视觉大脑"

X2SAM的里面结构不错用一个由四个中枢部件构成的团队来一语气，每个部件各司其职，却又紧密合作。

第一个部件是"全局视觉一语气大脑"，由视觉编码器和大语言模子构成。谋略团队遴选了Qwen3-VL-4B当作这个部件的基础，这是一个同期能看图和一语气语言的预历练模子。它安适把输入的图片或视频调换成模子能一语气的语义默示，就像把一幅画翻译成一段详备的翰墨状貌一样。当你给出一条指示——无论是"圈出左边阿谁拿雨伞的东说念主"，如故"找出视频里老是靠着白墙走来走去的阿谁东说念主"——这个大脑安适读懂你的意图，并产生一个特殊的指示信号，告诉后续的蒙版生成部件"你该去找什么"。这个指示信号即是所谓的"SEG潜在镶嵌"，不错把它一语气为一张含有目口号义信息的"寻找令"。

第二个部件是"细巧像素特征索要器"，也即是蒙版编码器，它来自SAM2的架构。与大语言模子处理的"粗粒度"语义不同，蒙版编码器荒谬索要图像的高分辨率、细粒度特征——边际、纹理、局部款式这些信息。它就像一台高倍放大镜，荒谬盯着像素层面的细节，确保最终身成的蒙版边际满盈精确。

第三个部件是"蒙版解码器"，安适把"寻找令"和像素特征合并，生成最终的二值蒙版（即每个像素属于倡导如故配景的判断）。谋略团队在这里作念了一项枢纽的调动：引入了"Token-to-Image Attention"（词元到图像精明力）机制。正常地说，这个机制让语言模子产生的"寻找令"大致径直与空间像素特征"对话"，而不是只是当作一个外部条目附加进来。这么作念的成果是让语义信息和空间信息深度和会，生成的蒙版不仅款式准确，而且语义对王人更好。为了让这个新机制不松懈早期历练的相识性，谋略团队遴选了"零动手化"战略，也即是说在历练最动手时这个机制的影响权重为零，跟着历练鼓动再逐渐领悟作用——这就像新职工入职时先不雅察、再逐渐参与，而不是第一天就大刀阔斧地改经由。

第四个部件是本谋略最中枢的转换之一：蒙版操心模块。这个模块荒谬惩办视频处理中的时候连贯性问题。处理视频的挑战在于，视频是一帧一帧的，而且相邻帧之间的骨子变化可能很玄机，也可能很剧烈。要是每一帧都沉寂处理，生成的蒙版经常会"抖动"——前一帧把东说念主圈准了，后一帧蒙版顷刻间偏移，看起来像是在明慧，极不相识。

蒙版操心模块的使命经由分四步进行，酿成一个轮回。当处理视频的某一帧时，它早先通过"操心精明力"机制纪念还是处理过的历史帧的视觉特征，将历史信息与现时帧的视觉特征和会，生成时候上连贯的视觉默示。接着，蒙版解码器应用这个经过时候加权的默示生成现时帧的蒙版。蒙版生成后，"操心编码器"把现时帧的视觉特征和蒙版揣摸结果合并，压缩成一个"领导视觉特征"存入操心库。操心库遴选先进先出（FIFO）的战略经管存储空间——最多保存最近若干帧的信息，超出容量时自动丢弃最旧的帧。这就像一个东说念主在看一语气剧时，脑子里会自动保留最近几集的情节来匡助一语气现时剧情，而不会无舍弃地记取每一集的每一个细节。

消融践诺（即逐项考据各个组件成果的践诺）线路，只加入单法子的浅易操心特征进步有限，而加入蒙版领导和类别领导信息、以及多法子特征后，视频指代分割的J&F筹商从53.6大幅跳升至65.0，视频推理分割也从36.5升至53.5。这标明，让操心模块"记取的不单是画面，还有之前圈出来的蒙版款式和语义类别"，才是时候连贯性的果真枢纽所在。

此外，谋略团队还遐想了一个"区域采样器"，用于处理视觉辅导（即用户用鼠标在画面上点击或框选的区域）。它的使命旨趣是在用户指定的感有趣区域内进行点采样，然后通过自符合池化汇聚成紧凑的区域级默示，注入到大语言模子中，让模子知说念"用户关注的是这个特定区域"。这个模块莫得可学习参数，既轻量又高效。

---

四、X2SAM是如何历练出来的？一套尽心遐想的"说合历练食谱"

历练一个同期处理图片和视频、遮掩14种任务的模子，面对的最大挑战之一是遐想资源经管。图片和视频的内存突然各别极大——一个视频片断可能包含8帧甚而更多，内存占用是单张图片的数倍。要是浅易地把图片和视频混在沿途历练，要么内存爆炸，要么着力极低。

谋略团队的历练分两个阶段进行。第一阶段叫作念"无类别分割器历练"，目的是让蒙版解码器在往来任何语言指示之前，先学会隧说念的款式和领域感知智商。历练数据使用SAM的SA-1B数据围聚的蒙版标注，米兰体育app系数不波及任何类别标签，让解码器只关注"这个区域的详细是什么样的"。这一步就像在教一个画家先练好素描基础，再谈色和洽骨子。消融践诺标明，使用SAM竣工的1B数据集（而非子集或COCO数据集）历练这个阶段，能在险些通盘后续任务上都获得更好的成果。

第二阶段是中枢的"长入说合历练"，在图片和视频的混杂数据上同期历练通盘14种任务。为了惩办图片和视频内存突然分歧称的问题，谋略团队遐想了一套"维度调换活水线"：关于视频输入，将时候维度和批次维度作念转置，把一个包含T帧的视频拆解为T张沉寂的图片，用澌灭套图片级接口通过蒙版编码器处理，然后通过蒙版操心模块串联起时候依赖相干，临了再把T帧的蒙版沿时候维度拼接转头。这么作念的妙处在于，蒙版编码器不需要感知"它在处理视频"，只需要处理一张张图片，大大镌汰了工程复杂度。

批次经管上，视频数据的每开发批次大小固定为1，图片数据则通过批次乘数膨胀为4倍，从而在疏导的内存预算下让图片数据的GPU应用率更高。梯度蕴蓄战略也凭证模态分开栽种：图片每步更新一次，视频则蕴蓄多步后再更新，进一步均衡内存与历练相识性。此外，一个荒谬遐想的"时候感知采样器"把时候长度疏导的视频片断分到澌灭批次，幸免无谓要的填充。

最终，长入说合历练仅需约3300 GPU小时，而对照践诺中的"浅易说合历练"需要约5200 GPU小时——简陋了约36.5%的历练资本，同期在视频任务上还获得了更好的性能。

---

五、X2SAM的践诺得益单：在哪些地方推崇杰出？

谋略团队在多数基准测试上对X2SAM进行了评估，与现存的专用模子和通用模子进行对比。

在图片分割任务上，X2SAM与雷同基于图片的通用模子X-SAM比较总体保捏竞争力。在图片通用分割（COCO全景分割PQ 54.1、实例分割mAP 45.8）和指代分割（RefCOCOg考据集cIoU 81.9，创下新的最优得益）上推崇稳妥。特等值得精明的是，在图片洞开词汇分割任务上，X2SAM获得了31.2 PQ，显着高于X-SAM的20.9 PQ，讲明X2SAM的语言一语气智商带来了更强的泛化智商。在推理分割任务上，X2SAM以64.5 cIoU和71.1 gIoU的得益超越了HyperSeg（辨认越过7.8和11.9个百分点），在测试集的短问题和长问题子集上都获得了那时最优得益。

在视频分割任务上，X2SAM的上风更为显赫。在视频指代分割任务中，X2SAM在Ref-YT21数据集上获得了78.5 J&F，在Ref-DV17数据集上获得了79.0 J&F，超越了此前最初的UniPixel-7B辨认7.5和2.6个百分点。在视频推理分割方面，X2SAM在ReVOS数据集上获得了69.9 J&F，比HyperSeg越过14.2个百分点，甚而超越了荒谬针对视频指代任务遐想的ReferFormer-B专用模子。在视频接地对话生成任务上，X2SAM的mIoU为75.8，比VideoGLaMM越过21.5个百分点，差距尽头显赫。

在视觉接地分割任务上，X2SAM在图片端与专用图片模子X-SAM尽头（COCO点辅导AP 45.9，框辅导AP 48.5），在视频端则大幅超越了SAM2-H。具体来说，在YT-VIS19数据集的框辅导栽种下，X2SAM获得了74.4 AP，而SAM2-H仅为54.0 AP；在更复杂的VIPSeg数据集上，X2SAM获得了57.8 AP，SAM2-H仅为40.4 AP。这一差距充分讲明，迎面对需要语言一语气和时候跟踪双重智商的任务时，隧说念依赖初级视觉辅导的SAM2存在显着短板。

在域外泛化测试（即用从未见过的数据集测试）中，X2SAM在gRefCOCO（包含多倡导和无倡导抒发式的泛化指代分割数据集）上超越了专用的非MLLM模子ReLA，也超越了PSALM和X-SAM等MLLM通用模子。在ADE20K的洞开词汇分割测试中，X2SAM获得了31.2 PQ、38.2 mIoU和20.2 mAP，全面超越ODISE和X-SAM等对比设施。

此外，X2SAM还保留了出色的图片和视频对话智商，在MMBench、SEED-Bench等图片对话基准测试上获得了83.5和76.0的得益，在VideoMME、MVBench、MLVU、LongVideoBench等视频对话基准测试上也推崇优异，超越了Video-LLaVA、VideoChat2、VILA-1.5等专注对话的模子。这讲明在为模子加入细巧分割智商时，团队灵验地留神了模子的通用对话智商退化。

---

六、X2SAM现在还有哪些不及和昔日所在？

任何谋略都有其领域，X2SAM也不例外。谋略团队在论文中坦诚地指出了三点局限性。

第一，跨模态的长入历练仍然遐想支出较大，尤其是视频数据的内存占用问题，即便有了现存的优化战略，历练资本依然不低，这关于资源有限的谋略团队来说是一个门槛。

第二，固定大小的FIFO操心库关于超长视频来说可智商不从心。要是倡导在视频中资格了永劫候守秘、剧烈外不雅变化，或者消散很久后又从新出现，有限容量的操心模块可能无法灵验保存枢纽的历史信息，导致跟踪失败。

第三，当作一个通用模子，X2SAM在某些高度荒谬化的单一任务上仍然过期于专用模子——比如专注于视频对象分割的SAM2-H，在YT-VOS19上的J&F为88.8，而X2SAM为74.0。这是通用性与专科性之间不朽的衡量弃取。

谋略团队默示，昔日使命将探索更高效的历练设施、更轻量的主干会聚，以及自符合的永劫程操心机制，以期在可膨胀性和鲁棒性上进一步进步。

---

归根结底，X2SAM这项使命的中枢价值在于解释了一件事：让AI同期看懂图片和视频、同期领受语言和视觉辅导、同期处理从通用分类到复杂推理的多样任务，并不需要七八套沉寂的系统强迫在沿途——一个长入的框架，加上尽心遐想的操心机制和历练战略，就不错作念到。这种"大一统"的念念路，不仅在工程上更整洁，在性能上也莫得付出显着的代价，在许多任务上反而因为跨任务的学问分享而有所增益。

对普通用户而言，这意味着昔日的AI视觉助手可能会变得愈加万能——你不错径直对着监控视频说"帮我跟踪阿谁红色背包的东说念主"，或者对着一段家庭视频说"把两个孩子辨认圈出来并标注他们的表露轨迹"，系统会当然地一语气你的意图并生成精确的时候连贯蒙版，而不需要你先选模子、再选任务、再辨认操作。

固然，从谋略原型到日常可用的产物，还有尽头长的路要走，但X2SAM的出现标明这条路的所在是明晰的。有有趣久了了解时刻细节的读者，不错通过arXiv编号2605.00891查阅竣工论文，代码也已在GitHub上以wanghao9610/X2SAM的地址开源。

---

Q&A

Q1：X2SAM和SAM2有什么区别，为什么不径直用SAM2？

A：SAM2是一个优秀的分割器具，但它只意识鼠标点击和方框这类"物理辅导"，系数不睬解语言。你没法跟SAM2说"圈出视频里一直在白墙旁走动的东说念主"，它听不懂。X2SAM在SAM2的基础上加入了大语言模子，能一语气复杂的翰墨状貌甚而需要推理的指示，同期通过蒙版操心模块保捏视频中的时候连贯性。两者的适用场景不同，SAM2更像一把精确的剪刀，X2SAM更像一个能听懂指示的智能编订助手。

Q2：X2SAM的蒙版操心模块是如何保证视频中倡导不丢失的？

A：蒙版操心模块珍贵着一个"转机操心库"，保存最近若干帧（默许6帧）的视觉特征和蒙版信息。处理每一帧时，系统会先纪念这些历史记载，把历史信息与现时帧和会，生成时候上连贯的特征，再据此生成蒙版。处理完后，现时帧的信息又被存入操心库，最旧的帧被自动丢弃。这种"上前看历史、向后传景象"的机制灵验幸免了逐帧沉寂处理时产生的蒙版抖动和倡导丢失问题。

Q3：X2SAM需要些许GPU才气历练，普通谋略团队能用吗？

A：X2SAM的竣工历练在32块NVIDIA H800 GPU上进行MILAN SPORTS2026世界杯(中国)IOS/安卓官方下载，长入说合历练阶段认为约突然3300 GPU小时。这对大多数高校践诺室来说如实是不小的门槛。不外谋略团队还是开源了代码和模子权重，普通谋略东说念主员不错径直使用预历练好的模子进行推理或在极少据集上微调，不需要从新复现竣工历练经由。

开云kaiyun中国官网入口