/ Модель

Характеристики

Контекст
77 токенов
Лицензия
Apache 2.0
Архитектура
sam3_lite_text · dense
Библиотека
transformers
Опубликована
26 мар 2026

sam3-litetext-s0

Генерация масокИзображение → mask3 профессии

Облегчённая версия SAM3 для сегментации изображений и видео по текстовым подсказкам с компактным энкодером MobileCLIP-S0.

15 315скачиваний за 30 дней20лайковвеса обновлены8 мая 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

SAM3-LiteText-S0 — облегчённый вариант SAM3 для сегментации изображений и видео по текстовым запросам. Модель представлена авторами работы «SAM3-LiteText: An Anatomical Study of the SAM3 Text Encoder for Efficient Vision-Language Segmentation» и заменяет исходный текстовый энкодер SAM3 компактным энкодером на основе MobileCLIP-S0, обученным дистилляцией; визуальный энкодер ViT-H сохранён. Текстовый энкодер содержит 42,54 млн параметров — примерно на 88% меньше, чем энкодер SAM3.

Модель предназначена для сегментации объектов по коротким текстовым подсказкам и поддерживает интерфейс prompting SAM3, включая текстовые и рамочные подсказки. В экспериментах авторов качество сегментации сопоставимо с исходным SAM3 при меньшем объёме памяти, занимаемой текстовым энкодером. Для работы используется Transformers; веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • создание масок объектов на изображении по текстовому описанию
  • поиск и сегментация нужных объектов в видеокадрах
  • сегментация объектов с помощью рамочных подсказок
  • снижение затрат памяти текстового энкодера в приложениях на базе SAM3

Ограничения

Карточка описывает качество как сопоставимое с исходным SAM3, но не приводит численные результаты для этой конкретной версии. Поддерживаемые языки текстовых подсказок не указаны.

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

SAM3-LiteText

Overview

SAM3-LiteText was proposed in SAM3-LiteText: An Anatomical Study of the SAM3 Text Encoder for Efficient Vision-Language Segmentation by Chengxi Zeng, Yuxuan Jiang, Ge Gao, Shuai Wang, Duolikun Danier, Bin Zhu, Stevan Rudinac, David Bull, and Fan Zhang.

SAM3-LiteText is a lightweight variant of SAM3 that replaces the heavy SAM3 text encoder (353M parameters) with a compact MobileCLIP-based text encoder optimized through knowledge distillation. The SAM3 ViT-H image encoder is kept intact. This reduces text encoder parameters by up to 88% while maintaining segmentation performance comparable to the original model.

The abstract from the paper is the following:

Vision-language segmentation models such as SAM3 enable flexible, prompt-driven visual grounding, but inherit large, general-purpose text encoders originally designed for open-ended language understanding. In practice, segmentation prompts are short, structured, and semantically constrained, leading to substantial over-provisioning in text encoder capacity and persistent computational and memory overhead. In this paper, we perform a large-scale anatomical analysis of text prompting in vision-language segmentation, covering 404,796 real prompts across multiple benchmarks. Our analysis reveals severe redundancy: most context windows are underutilized, vocabulary usage is highly sparse, and text embeddings lie on low-dimensional manifold despite high-dimensional representations. Motivated by these findings, we propose SAM3-LiteText, a lightweight text encoding framework that replaces the original SAM3 text encoder with a compact MobileCLIP student that is optimized by knowledge distillation. Extensive experiments on image and video segmentation benchmarks show that SAM3-LiteText reduces text encoder parameters by up to 88%, substantially reducing static memory footprint, while maintaining segmentation performance comparable to the original model.

The text encoder architecture is based on MobileCLIP and comes in three variants:

VariantText EncoderText ParamsReduction
SAM3-LiteText-S0-16MobileCLIP-S042.54M~88%
SAM3-LiteText-S1-16MobileCLIP-S163.53M~82%
SAM3-LiteText-L-16MobileCLIP2-L123.80M~65%

Usage

SAM3-LiteText is a drop-in replacement for SAM3 with a lightweight text encoder. It uses the same processor and supports the same prompting interface. Refer to the SAM3 documentation for detailed usage examples including text prompts, box prompts, batched inference, and more.

from io import BytesIO

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

model = AutoModel.from_pretrained("Simon7108528/sam3-litetext-s0", device_map="auto")
processor = AutoProcessor.from_pretrained("Simon7108528/sam3-litetext-s0")

image_url = "http://images.cocodataset.org/val2017/000000077595.jpg"
image = Image.open(BytesIO(httpx.get(image_url).content)).convert("RGB")

inputs = processor(images=image, text="ear", return_tensors="pt").to(model.device)

outputs = model(**inputs)

results = processor.post_process_instance_segmentation(
    outputs,
    threshold=0.5,
    mask_threshold=0.5,
    target_sizes=inputs.get("original_sizes").tolist(),
)[0]

print(f"Found {len(results['masks'])} objects")

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · mask-generation

Нельзя запустить

Для архитектуры sam3_lite_text нет загрузчика под задачу mask-generation.

Класс архитектуры
Sam3LiteTextModel
Ревизия весов
b09766e

0 моделей