/ Модель

Характеристики

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

sam3-litetext-s1

Генерация масокИзображение → mask3 профессии

Облегчённый вариант SAM3 для сегментации изображений и видео по текстовым запросам с уменьшенным текстовым энкодером MobileCLIP-S1.

102скачиваний за 30 дней2лайкавеса 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-S1 — вариант SAM3-LiteText, разработанный Chengxi Zeng, Yuxuan Jiang, Ge Gao и соавторами для эффективной сегментации изображений и видео по текстовым запросам. Модель сохраняет визуальный энкодер SAM3 ViT-H, а тяжёлый текстовый энкодер заменяет на компактный MobileCLIP-S1, обученный методом дистилляции знаний. Текстовый энкодер содержит 63,53 млн параметров — примерно на 82% меньше, чем исходный энкодер SAM3.

Модель предназначена для сегментации объектов, заданных текстом, и поддерживает интерфейс запросов SAM3, включая текстовые и рамочные подсказки. Она рассчитана на сценарии, где нужна сегментация с текстовым управлением при меньших затратах памяти на текстовый энкодер; авторы сообщают о сопоставимом с SAM3 качестве сегментации. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • сегментация объекта на изображении по текстовому описанию
  • поиск и выделение объектов с помощью текстовых запросов
  • сегментация объектов в видео по текстовым подсказкам
  • сегментация объектов с помощью рамочных подсказок

Ограничения

Качество и производительность зависят от точности подсказок и входного изображения; README сообщает о сопоставимом качестве на бенчмарках, но не приводит здесь подробные результаты. Размер исходного визуального энкодера ViT-H сохраняется, поэтому сокращение параметров относится к текстовому энкодеру.

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-s1", device_map="auto")
processor = AutoProcessor.from_pretrained("Simon7108528/sam3-litetext-s1")

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
e371b17

0 моделей