这项由中山大学、鹏城施行室与好意思团搭伙开展的筹备，以预印本时事于2026年4月27日发布在arXiv平台，编号为arXiv:2605.00891v1。感兴味的读者可通过该编号检索完竣论文。

手机里的相机每天拍下无数张相片和视频，东说念主们早已习气了用AI来识别相片里的猫咪、帮相片中的东说念主物换个配景，或者给视频打上自动字幕。然则，当你确实去看这些AI的"眼睛"时，会发现一件有些奇怪的事——大多数锐利的AI要么只会"看图语言"，要么只会"圈出宗旨"，却很少有谁能同期把这两件事作念得既好又快，更别说同期嘱托图片和视频了。

这恰是这项筹备要处理的问题。筹备团队开发了一个名为X2SAM的系统。这个名字里的"X2"不错清楚为"自便到自便"——自便的指示，对应自便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，且二者共用并吞套大脑。

---

一、为什么咱们需要一个"万能选手"？

在AI视觉规模，有一类相等紧要的任务叫作念"图像分割"——当年地说，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心思，而不单是是在画上贴一个标签说"这里有只猫"。

当今已有两类用具各自作念这件事。一类是有利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，它只意志鼠标点击、方框之类的"物理手势"，十足不懂语言。你不可跟它说"帮我把视频里那只一直在白墙旁往返走动的东说念主圈出来"——它根底听不懂。

另一类是多模态大语言模子（不错把它清楚为"能看图的ChatGPT"），比如LLaVA、Qwen-VL等。这类模子语言清楚智商极强，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。

在这两类用具之间，有一批"缝合怪"式的筹备试图把二者合并，比如LISA、GLaMM等，它们让语言模子去驱动分割模子，已毕"用语言描摹、用像素呈现"的后果。然则这些模子大多只可处理静态图片，遇到视频就安坐待毙；或者能处理视频，却不赞助视觉教导（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"）。

确实的痛点就在这里：莫得一个模子能同期作念到——清楚复杂语言指示、经受鼠标框选之类的视觉教导、处理图片、处理视频，而且把系数这些任务搭伙在一个框架里，生成期间上连贯的像素蒙版。X2SAM恰是为了填补这个空白而生。

---

二、X2SAM明慧什么？一场掩饰14种任务的"全科体检"

为了让读者有直不雅感受，不错把X2SAM联想成一位具备"全科智商"的视觉助手，它能经受各式时事的指示，然后在图片或视频上精确地圈出你温情的本色。

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清楚。在图片维度，它不错作念通用分割（把图里系数东说念主、车、树都分类圈出来）、绽放词汇分割（圈出自便你说出名字的东西，包括它从莫本心检修过的类别）、指代分割（字据"左边阿谁穿红穿着的东说念主"这么的描摹圈出宗旨）、推理分割（字据"能用来倒进玻璃杯里的东西"这么需要算计的描摹找到宗旨）、接地对话生成（一边描摹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，它在宗旨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蔓延过来，而且因为视频是都集的帧序列，每种智商还需要特别处理期间上的连贯性——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。

筹备团队还有利建议了一项新任务：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宗旨，系统需要自动跟踪这个宗旨，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，筹备团队从两个已有的视频数据集（YT-VIS19和VIPSeg）开拔，构建了YT19-VGD和VIPSeg-VGD两个新数据集，并以此建设了V-VGD基准测试体系。

---

三、X2SAM是若何责任的？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清楚，每个部件各司其职，却又紧密调解。

第一个部件是"全局视觉清楚大脑"，由视觉编码器和大语言模子构成。筹备团队聘请了Qwen3-VL-4B当作这个部件的基础，这是一个同期能看图和清楚语言的预检修模子。它崇拜把输入的图片或视频调遣成模子能清楚的语义默示，就像把一幅画翻译成一段详细的翰墨描摹一样。当你给出一条指示——不论是"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"——这个大脑崇拜读懂你的意图，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"，不错把它清楚为一张含有目口号义信息的"寻找令"。

第二个部件是"讲究像素特征索要器"，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，蒙版编码器有利索要图像的高分辨率、细粒度特征——旯旮、纹理、局部格局这些信息。它就像一台高倍放大镜，有利盯着像素层面的细节，确保最毕生成的蒙版旯旮豪阔精确。

第三个部件是"蒙版解码器"，崇拜把"寻找令"和像素特征合并，生成最终的二值蒙版（即每个像素属于宗旨如故配景的判断）。筹备团队在这里作念了一项关键的纠正：引入了"Token-to-Image Attention"（词元到图像精明力）机制。当年地说，这个机制让语言模子产生的"寻找令"省略胜利与空间像素特征"对话"，而不是只是当作一个外部要求附加进来。这么作念的后果是让语义信息和空间信息深度会通，生成的蒙版不仅格局准确，而且语义对都更好。为了让这个新机制不龙套早期检修的领路性，筹备团队聘请了"零运行化"战略，也即是说在检修最早先时这个机制的影响权重为零，跟着检修鼓励再从容阐扬作用——这就像新职工入职时先不雅察、再从容参与，而不是第一天就大刀阔斧地改经过。

第四个部件是本筹备最中枢的改进之一：蒙版纪念模块。这个模块有利处理视频处理中的期间连贯性问题。处理视频的挑战在于，视频是一帧一帧的，而且相邻帧之间的本色变化可能很奥妙，也可能很剧烈。要是每一帧都安谧处理，生成的蒙版时常会"抖动"——前一帧把东说念主圈准了，后一帧蒙版俄顷偏移，看起来像是在耀眼，极不领路。

蒙版纪念模块的责任经过分四步进行，酿成一个轮回。当处理视频的某一帧时，它起先通过"纪念精明力"机制追思依然处理过的历史帧的视觉特征，将历史信息与面前帧的视觉特征会通，生成期间上连贯的视觉默示。接着，蒙版解码器哄骗这个经过期间加权的默示生成面前帧的蒙版。蒙版生成后，"纪念编码器"把面前帧的视觉特征和蒙版讨论落幕合并，压缩成一个"指挥视觉特征"存入纪念库。纪念库聘请先进先出（FIFO）的战略督察存储空间——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都集剧时，脑子里会自动保留最近几集的情节来匡助清楚面前剧情，而不会无放胆地记取每一集的每一个细节。

消融施行（即逐项考据各个组件后果的施行）露出，只加入单行动的节略纪念特征晋升有限，而加入蒙版指挥和类别指挥信息、以及多行动特征后，视频指代分割的J&F目的从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，让纪念模块"记取的不单是画面，还有之前圈出来的蒙版格局和语义类别"，才是期间连贯性的确实关键所在。

此外，筹备团队还遐想了一个"区域采样器"，用于处理视觉教导（即用户用鼠标在画面上点击或框选的区域）。它的责任旨趣是在用户指定的感兴味区域内进行点采样，然后通过自符合池化集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是若何检修出来的？一套全心遐想的"搭伙检修食谱"

检修一个同期处理图片和视频、掩饰14种任务的模子，濒临的最大挑战之一是缱绻资源督察。图片和视频的内存阔绰各异极大——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。要是节略地把图片和视频混在沿途检修，要么内存爆炸，要么遵守极低。

筹备团队的检修分两个阶段进行。第一阶段叫作念"无类别分割器检修"，目的是让蒙版解码器在战争任何语言指示之前，先学会纯正的格局和规模感知智商。检修数据使用SAM的SA-1B数据都集的蒙版标注，抢庄牛牛2026世界杯(中国)IOS/安卓官方下载十足不波及任何类别标签，让解码器只关注"这个区域的空洞是什么样的"。这一步就像在教一个画家先练好素描基础，再谈颜色和本色。消融施行标明，使用SAM完竣的1B数据集（而非子集或COCO数据集）检修这个阶段，能在险些系数后续任务上都得到更好的后果。

第二阶段是中枢的"搭伙搭伙检修"，在图片和视频的夹杂数据上同期检修系数14种任务。为了处理图片和视频内存阔绰分歧称的问题，筹备团队遐想了一套"维度调遣活水线"：关于视频输入，将期间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张安谧的图片，用并吞套图片级接口通过蒙版编码器处理，然后通过蒙版纪念模块串联起期间依赖关联，临了再把T帧的蒙版沿期间维度拼接记忆。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。

批次督察上，视频数据的每开拓批次大小固定为1，图片数据则通过批次乘数推广为4倍，从而在交流的内存预算下让图片数据的GPU哄骗率更高。梯度积累战略也字据模态分开确立：图片每步更新一次，视频则积累多步后再更新，进一步均衡内存与检修领路性。此外，一个有利遐想的"期间感知采样器"把期间长度交流的视频片断分到并吞批次，幸免无须要的填充。

最终，搭伙搭伙检修仅需约3300 GPU小时，而对照施行中的"节略搭伙检修"需要约5200 GPU小时——简略了约36.5%的检修资本，同期在视频任务上还得到了更好的性能。

---

五、X2SAM的施行收货单：在哪些地方发扬凸起？

筹备团队在大都基准测试上对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与通常基于图片的通用模子X-SAM比拟总体保捏竞争力。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，创下新的最优收货）上发扬矜重。罕见值得精明的是，在图片绽放词汇分割任务上，X2SAM得到了31.2 PQ，深化高于X-SAM的20.9 PQ，证据X2SAM的语言清楚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的收货突出了HyperSeg（辩认越过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得到了那时最优收货。

在视频分割任务上，X2SAM的上风更为权臣。在视频指代分割任务中，X2SAM在Ref-YT21数据集上得到了78.5 J&F，在Ref-DV17数据集上得到了79.0 J&F，突出了此前当先的UniPixel-7B辩认7.5和2.6个百分点。在视频推理分割方面，X2SAM在ReVOS数据集上得到了69.9 J&F，比HyperSeg越过14.2个百分点，甚而突出了有利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，差距十分权臣。

在视觉接地分割任务上，X2SAM在图片端与专用图片模子X-SAM十分（COCO点教导AP 45.9，框教导AP 48.5），在视频端则大幅突出了SAM2-H。具体来说，在YT-VIS19数据集的框教导确立下，X2SAM得到了74.4 AP，而SAM2-H仅为54.0 AP；在更复杂的VIPSeg数据集上，X2SAM得到了57.8 AP，SAM2-H仅为40.4 AP。这一差距充分证据，迎面对需要语言清楚和期间跟踪双重智商的任务时，纯正依赖初级视觉教导的SAM2存在深化短板。

在域外泛化测试（即用从未见过的数据集测试）中，X2SAM在gRefCOCO（包含多宗旨和无宗旨抒发式的泛化指代分割数据集）上突出了专用的非MLLM模子ReLA，也突出了PSALM和X-SAM等MLLM通用模子。在ADE20K的绽放词汇分割测试中，X2SAM得到了31.2 PQ、38.2 mIoU和20.2 mAP，全面突出ODISE和X-SAM等对比要领。

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得到了83.5和76.0的收货，在VideoMME、MVBench、MLVU、LongVideoBench等视频对话基准测试上也发扬优异，突出了Video-LLaVA、VideoChat2、VILA-1.5等专注对话的模子。这证据在为模子加入讲究分割智商时，团队灵验地驻扎了模子的通用对话智商退化。

---

六、X2SAM当今还有哪些不及和改日所在？

任何筹备都有其规模，X2SAM也不例外。筹备团队在论文中坦诚地指出了三点局限性。

第一，跨模态的搭伙检修仍然缱绻支出较大，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，检修资本依然不低，这关于资源有限的筹备团队来说是一个门槛。

第二，固定大小的FIFO纪念库关于超长视频来说可智商不从心。要是宗旨在视频中资历了永劫期壅塞、剧烈外不雅变化，或者消释很久后又从新出现，有限容量的纪念模块可能无法灵验保存关键的历史信息，导致跟踪失败。

第三，当作一个通用模子，X2SAM在某些高度有利化的单一任务上仍然落伍于专用模子——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灭的量度弃取。

筹备团队默示，改日责任将探索更高效的检修要领、更轻量的主干汇集，以及自符合的永劫程纪念机制，以期在可推广性和鲁棒性上进一步晋升。

---

归根结底，X2SAM这项责任的中枢价值在于讲解了一件事：让AI同期看懂图片和视频、同期经受语言和视觉教导、同期处理从通用分类到复杂推理的各式任务，并不需要七八套安谧的系统勉强在沿途——一个搭伙的框架，加上全心遐想的纪念机制和检修战略，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深化的代价，在好多任务上反而因为跨任务的学问分享而有所增益。

对当年用户而言，这意味着改日的AI视觉助手可能会变得愈加万能——你不错胜利对着监控视频说"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"把两个孩子辩认圈出来并标注他们的畅通轨迹"，系统会当然地清楚你的意图并生成精确的期间连贯蒙版，而不需要你先选模子、再选任务、再辩认操作。

虽然，从筹备原型到日常可用的居品，还有十分长的路要走，但X2SAM的出现标明这条路的所在是了了的。有兴味深入了解时刻细节的读者，不错通过arXiv编号2605.00891查阅完竣论文，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，为什么不胜利用SAM2？

A：SAM2是一个优秀的分割用具，但它只意志鼠标点击和方框这类"物理教导"，十足不睬解语言。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，能清楚复杂的翰墨描摹甚而需要推理的指示，同期通过蒙版纪念模块保捏视频中的期间连贯性。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著助手。

Q2：X2SAM的蒙版纪念模块是若何保证视频中宗旨不丢失的？

A：蒙版纪念模块赞佩着一个"漂泊纪念库"，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，系统会先追思这些历史纪录，把历史信息与面前帧会通，生成期间上连贯的特征，再据此生成蒙版。处理完后，面前帧的信息又被存入纪念库，最旧的帧被自动丢弃。这种"上前看历史、向后传景况"的机制灵验幸免了逐帧安谧处理时产生的蒙版抖动和宗旨丢失问题。

Q3：X2SAM需要若干GPU才调检修，当年筹备团队能用吗？

A：X2SAM的完竣检修在32块NVIDIA H800 GPU上进行，搭伙搭伙检修阶段觉得约阔绰3300 GPU小时。这对大多数高校施行室来说照实是不小的门槛。不外筹备团队依然开源了代码和模子权重抢庄牛牛APP，当年筹备东说念主员不错胜利使用预检修好的模子进行推理或在少许据集上微调，不需要重新复现完竣检修经过。

银河游戏在线娱乐中国官网