SAM 3：让AI从「分割一切」到理解「视觉概念」

如何让AI不仅能“看见”物体，更能“理解”我们所说的概念？针对先前分割模型依赖手动点击的局限性，一篇提交至ICLR 2026的匿名论文（外界普遍猜测来自Meta）提出了SAM 3。该模型实现了革命性突破，允许用户通过简单的文字描述（如“条纹猫”），就能自动分割出图像或视频中符合该概念的所有实例。
研究团队首先定义了一项更高级的任务——可提示概念分割（PCS），其核心是让模型理解基于文本或图像范例的抽象概念。为此，SAM 3采用了一个强大的双编码器-解码器Transformer（dual encoder-decoder Transformer architecture）架构，该架构统一了图像检测和视频跟踪功能。为了训练这个能理解概念的模型，团队构建了一个庞大的人机协同数据引擎，生成了一个包含400万个独特概念短语和5200万个精确掩码的训练数据集。
在性能验证中，SAM 3展现了压倒性优势。在其团队创建的全新基准SA-Co上，SAM 3的性能是现有系统的两倍以上。在权威的LVIS数据集上进行零样本分割测试时，它的掩码平均精度达到了47.0，远超之前38.5的最佳纪录。除了高精度，SAM 3的效率也十分惊人，在单个H200 GPU上处理一张复杂图像仅需30毫秒。同时，它在传统的交互式分割任务上的表现也超越了前代SAM 2。研究作为会议论文提交至 ICLR 2026 上。
阅读更多：
“SAM 3: Segment Anything with Concepts.” 2025. The Fourteenth International Conference on Learning Representations, openreview.net, https://openreview.net/forum?id=r35clVtGzw