#151 · 主分类： 计算机视觉
Sa2VA
computer-vision
large-language-models
mllm
Pixel-LLM 代码库官方仓库：Sa2VA (T-PAMI-26)、SAMTok (CVPR-26)、VRT (Arxiv-25)、SaSaSa2VA（LSVOS 第一名解决方案）
项目最后更新：08/04/26
GitHub Stars
1.7K
Forks数量
131
贡献者数量
9
许可证
Apache-2.0
收录理由
Sa2VA把SAM-2分割模型与多模态大语言模型融为一个整体，让同一套模型既能对话图像和视频，也能直接输出像素级掩码，覆盖指代分割、接地对话、视觉提示与多模态聊天等任务。仓库里还附带了好几个配套项目：VRT在Sa2VA基础上做物体级接地推理，自带评测基准和训练数据；SAMTok把掩码变成统一令牌接口，其他多模态大模型也能理解和生成掩码；SaSaSa2VA是分割增强版本，在ICCV 2025 LSVOS挑战赛中获得第一名。模型支持InternVL2.5/3与Qwen2.5/3-VL等多种骨干网络，权重可从Hugging Face下载，还有Gradio演示可以先行体验。如果你在做标注工具、视频理解或可提示分割系统，这个项目提供了扎实的起点。
相关文章
暂无针对该项目的文章。
如需补充新闻资讯、使用教程、应用测评等内容，欢迎 联系我们推荐选题或投稿。