ICLR神秘论文曝光！SAM3用「概念」看世界，重构视觉AI新范式

---

  新智元报道  

SAM的目标是让计算机「能分割任何东西」。

2024年7月，Meta推出SAM 2，将模型扩展到视频分割并显著提升性能。

如今，SAM模型即将迎来第三次升级。

ICLR 2026会议盲审论文《SAM3：用概念分割一切》

https://openreview.net/pdf?id=r35clVtGzw

论文《SAM 3: Segment Anything with Concepts》，也许可以带我们解锁这次SAM新升级的内幕。

该论文目前处于ICLR 2026会议盲审阶段，作者暂未公布身份，但从题目中不难推测其内容为SAM第三代的升级。

SAM3最大的突破在于它强调「基于概念的分割」，即不只是按像素或实例，而是可能按「语义概念」来理解和分割图像：

该功能被定义为可提示的概念分割（Promptable Concept Segmentation，PCS）。

为了支撑PCS，研究团队还构建了一个可扩展的数据引擎，生成了涵盖图像与视频的高质量数据集，包含约400万个不同的概念标签。

SAM架构引入了「可提示分割」任务，可通过交互式提示分割图像与视频中的目标。

然而，早期的SAM 1和SAM 2更侧重视觉提示，并且每个提示仅分割单个对象实例。

这无法解决更普遍的问题：在任意图像或视频中，自动找到所有属于同一概念的对象。

比如，你输入「猫」，不仅是要找出一只猫，而是找出所有的猫。SAM 3正是为解决这一问题而推出的。

它相比较前代模型，不仅改进了可提示视觉分割（PVS），还开创了新的标准——可提示概念分割（PCS）。

PCS可以完成这样的任务：

模型可以根据提示（文字或图像），找出图像或视频中所有符合这个「概念」的对象，并保持每个对象的身份一致。

比如输入「红苹果」，模型会在不同帧中追踪每一个红苹果。

在实际使用中，用户还能通过交互方式（比如添加更多提示）逐步细化结果，解决模糊或歧义情况。

图1对比展示了SAM 3与SAM 2的核心区别，说明了从「可提示视觉分割」（PVS）到「可提示概念分割」（PCS）的进化。

图2中展示了SAM 3如何从「理解一个提示」到「交互式细化分割结果」的全过程，它体现了PCS任务的核心特征——可提示、可交互、可概念化。

SAM 3系统实现了三大创新：

研究团队构建了一个包含400万唯一短语与5200万掩码的高质量训练数据集，以及一个包含3800万短语与14亿掩码的合成数据集，还推出了一个新的测试标准SA-Co基准。

实验结果显示，SAM 3在可提示分割上建立新SOTA，例如在LVIS数据集上，SAM 3的零样本分割准确度达到47.0（此前最佳为38.5）。

在SA-Co基准上表现提升至少2倍，并在PVS基准上优于SAM 2。

在一张H200GPU上，SAM 3只需30毫秒就能在单张图中识别上百个对象，视频场景中也能保持接近实时的处理速度。

研究人员将PCS定义为如下任务：

给定一张图片或一段不超过30秒的视频，让模型根据一个概念提示（可以是文字、示例图像，或两者结合），去检测、分割并跟踪所有符合该概念的对象。

这些「概念」一般是由简单名词短语（noun phrase，NP）组成的，包含一个名词和可选修饰语，比如「红苹果」或「条纹猫」。

文字提示会对整张图片或整段视频都生效，而图像示例（例如框选某个目标）则可以用于细化结果，帮助模型更精确地理解「我说的就是这个」。

PCS的一个难点在于我们面对的「概念」范围几乎无限，这带来了很多歧义性。

这些歧义即使在封闭类别（如LVIS数据集）中也存在。

SAM3采取以下措施应对歧义：

• 多专家标注：每个测试样本由三位独立专家标注，确保结果更客观；

• 评估协议优化：评估时允许多种「合理答案」共存；

• 标注规范与数据清洗：在数据收集和指南中尽量减少歧义；

• 模型层面处理：在SAM 3中设计了专门的「歧义模块」，帮助模型理解并容忍这些模糊边界。

SAM 3是对前一代SAM 2的拓展与泛化。

它同时支持两类任务：

• 可提示视觉分割（PVS）：根据几何或视觉提示（点、框、掩码）圈出指定物体；

• 可提示概念分割（PCS）：根据概念提示（简短的文字或示例图像）识别并分割所有符合该概念的目标。

换句话说，SAM 3既能理解「我点的这个东西」，也能理解「我说的这个概念」。

下图3中展示了SAM 3架构，由一个双编码器-解码器Transformer组成：

• 检测器（Detector）：负责在图像级别检测并分割目标；

• 跟踪器（Tracker）：跟踪器继承了SAM 2的Transformer架构，负责在视频中跟踪已检测的目标。

检测器和跟踪器分开运作，检测器只管发现目标，跟踪器才关注它们的身份，为了避免以上两种任务相互干扰，SAM 3引入了一个新的「存在性Token」，将识别与定位解耦。

为了让SAM 3在可提示概念分割（PCS）上实现跨越式提升，它必须在更广泛的概念范围和更多样的视觉数据上进行训练。

为此，研究团队构建了一个高效的数据引擎，让人类标注员、AI标注员和SAM 3模型本身组成一个闭环系统，推动模型不断从自己的失败案例中学习。

通过这种方式，AI在一些标注环节上已经能达到甚至超过人类的准确度，使得整个数据生成效率提升了约一倍。

研究人员将数据引擎的建设分为四个阶段：

第1–3阶段仅针对图像，第4阶段扩展至视频。

阶段1：人类验证。

初期阶段完全依靠人类验证。

研究者使用随机图像和简单文本描述器生成概念短语，掩码由SAM2与开放词汇检测器提供。

阶段2：人类+AI验证。

利用第一阶段积累的人类标签，团队微调Llama 3.2模型，让它学会自动执行MV与EV验证。

AI验证员可以直接判断「这个掩码对不对、全不全」，从而把人力解放出来，专注于最棘手的样本。

此时，AI已能自动发现对模型具有挑战性的「困难负样本」。

阶段3：扩展视觉领域

第三阶段把数据覆盖扩展到15个不同视觉域（例如自然场景、工业、艺术等）。

通过从alt-text（图像描述文本）和基于Wikidata的本体库（约2240万个概念节点）中提取新短语，系统进一步补充了长尾类与细粒度类别。

阶段4：视频标注

将数据引擎扩展至视频。

使用成熟的SAM 3模型，研究人员在运动、遮挡、跟踪失败等复杂场景中采集高质量标注，最终构建了SA-Co/VIDEO数据集，包含5.25万视频、2.48万唯一短语，总计13.4万视频-短语对。

这部分主要聚焦于模型容易出错的拥挤场景，以最大化学习效果。

SA-Co数据集

数据引擎最终生成了多层级的SA-Co数据集家族：

• SA-Co/HQ：高质量人工与AI协作图像数据，包含520万张图像、400万个唯一短语；

• SA-Co/SYN：全自动生成的合成数据；

• SA-Co/EXT：整合15个外部数据集并补充困难负样本；

• SA-Co/VIDEO：视频级标注数据集。

这些数据构成了目前世界上最大规模的开放词汇分割数据集体系。

为衡量模型在真实应用中的表现，研究人员设计了SA-Co基准（Benchmark），涵盖图像与视频共12.6万个样本、21.4万唯一短语，包含超过300万条标注。

经过研究人员评估，在图像和视频分割、少样本检测与多模态语言配合任务上，SAM 3全面超越现有系统，它在SA-Co的图像与视频PCS上将性能提升到以往系统的两倍。

与前代模型相比，SAM 3不再只是一个只会「按图索骥」的工具，而是逐步演变成一个能理解概念、识别类别、保持语义一致性的智能视觉系统。

它将图像分割从「点选式」操作提升到「概念级」理解，为下一代智能视觉和多模态系统奠定了基础。

也许，视觉AI的「GPT-3时刻」真的已经不远了。