/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
21,2 ГБ
Лицензия
Apache 2.0
Архитектура
sa2va_chat · dense
Библиотека
transformers
Опубликована
10 июн 2026

Sa2VA-Qwen3-VL-4B-SAM3

Генерация текстаТекст → текст3 профессии

Мультимодальная модель ByteDance на базе Qwen3-VL-4B и SAM3 для диалога, сегментации объектов по текстовому описанию на изображениях и видео.

816скачиваний за 30 дней2лайкавеса обновлены28 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Sa2VA-Qwen3-VL-4B-SAM3 — мультимодальная модель ByteDance для диалога и сегментации объектов по текстовому описанию на изображениях и видео. Она построена на Qwen3-VL-4B-Instruct и использует энкодер SAM3 с трекером PVS: модель предсказывает токен [SEG], скрытое состояние которого задаёт декодеру SAM3 условие для формирования маски объекта.

Модель предназначена для сегментации по выражению на естественном языке, отслеживания описанного объекта в видео и генерации ответов в диалоге с визуальным заземлением. В README приведены результаты на наборах RefCOCO, RefCOCO+, RefCOCOg, MeViS, ReVOS и Ref-DAVIS17. Репозиторий содержит код SAM3 для заземления; для загрузки README рекомендует bfloat16, поскольку автоматический выбор смешанных типов данных может привести к ошибке.

Модель использует архитектуру Sa2VA с Qwen3-VL-4B-Instruct и SAM3, распространяется в формате safetensors и имеет лицензию Apache-2.0. В метаданных указан тег image-text-to-text; поддержка видео для сегментации описана в README. Языки и длина контекста в доступных данных не приведены.

Сценарии применения

  • выделение объекта на изображении по текстовому описанию
  • сегментация упомянутого объекта в видео
  • отслеживание объекта по кадрам видео
  • ответы на вопросы с визуальным заземлением
  • генерация диалога о содержимом изображения или видео

Ограничения

Для загрузки README рекомендует bfloat16: режим torch_dtype="auto" может смешивать типы данных и приводить к ошибке. Для заземления SAM3 использует входное разрешение 1008 пикселей; языковая поддержка в доступных данных не описана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sa2VA-Qwen3-VL-4B-SAM3

Sa2VA-Qwen3-VL-4B-SAM3 is a Sa2VA model built on Qwen3-VL-4B-Instruct with a SAM3 PVS-tracker grounding encoder. The MLLM predicts a [SEG] token whose hidden state conditions the SAM3 mask decoder, producing dense image and video referring segmentation alongside open-ended chat.

This checkpoint is self-contained: the SAM3 grounding code is vendored into the repository, so it loads with trust_remote_code=True without any extra packages.

Results

Image referring segmentation (cIoU):

RefCOCO val / testA / testBRefCOCO+ val / testA / testBRefCOCOg val / test
83.7 / 84.7 / 81.979.4 / 83.2 / 76.083.0 / 83.0

Video referring segmentation (J&F):

MeViS (val_u)ReVOSRef-DAVIS17
65.366.377.1

Grounded conversation generation (GCG, val):

AP50mIoURecall
37.170.149.4

Usage

import torch
from transformers import AutoModel, AutoProcessor
from PIL import Image

path = "HarborYuan/Sa2VA-Qwen3-VL-4B-SAM3"
model = AutoModel.from_pretrained(
    path, torch_dtype=torch.bfloat16, trust_remote_code=True, low_cpu_mem_usage=True,
).eval().cuda()
processor = AutoProcessor.from_pretrained(path, trust_remote_code=True)

image = Image.open("your_image.jpg").convert("RGB")
out = model.predict_forward(
    image=image,
    text="Please segment the dog in the image.",
    processor=processor,
)
print(out["prediction"])          # text response containing [SEG]
masks = out["prediction_masks"]   # list of boolean masks at the original image size

Load in bfloat16 (the lm_head is kept in higher precision; torch_dtype="auto" mixes dtypes and fails).

For video, pass video=[frame0, frame1, ...] (a list of PIL images) instead of image.

Notes

  • SAM3 grounding input resolution is 1008.
  • Built on Sa2VA.

Citation

If you find this project useful in your research, please consider citing:

@article{sa2va,
  title={Sa2VA: Marrying SAM2 with LLaVA for Dense Grounded Understanding of Images and Videos},
  author={Yuan, Haobo and Li, Xiangtai and Zhang, Tao and Sun, Yueyi and Huang, Zilong and Xu, Shilin and Ji, Shunping and Tong, Yunhai and Qi, Lu and Feng, Jiashi and Yang, Ming-Hsuan},
  journal={IEEE TPAMI},
  year={2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Sa2VAChatModelQwen
Ревизия весов
3f2bec1

0 моделей