---
title: "Sa2VA – 字节跳动等机构开源的多模态大语言模型"
url: "https://paooo.com/aigc-news/22001/"
author: "Prompt 语宙研究院"
published_at: "2026-06-09T05:33:28+08:00"
updated_at: "2026-06-09T05:33:28+08:00"
categories: "AIGC 资讯"
tags: "3D与空间智能, AI智能体, AI视频生成, HuggingFace, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# Sa2VA – 字节跳动等机构开源的多模态大语言模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/22001/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-09

## AI 30 秒核心看点 (TL;DR)

- Sa2VA把SAM2的分割能力与LLaVA的语言理解融合，面向图像和视频统一建模。
- 通过[SEG]时空提示与统一任务表示，模型可完成指代分割、视觉对话和提示理解。
- 引入72k+ Ref-SAV数据集后，复杂视频场景下的长文本指代分割能力更强。

## Sa2VA是什么

Sa2VA是字节跳动联合加州大学默塞德分校、武汉大学和北京大学共同推出的多模态大语言模型，是SAM2和LLaVA结合而成，能实现对图像和视频的密集、细粒度理解。Sa2VA基于统一的任务表示，将图像或视频指代分割、视觉对话、视觉提示理解等任务整合到一个框架中，用LLM生成的空间-时间提示指导SAM2生成精确分割掩码。Sa2VA采用解耦设计，保留SAM2的感知能力和LLaVA的语言理解能力，引入Ref-SAV数据集，用在提升复杂视频场景下的指代分割性能。

## Sa2VA的主要功能

- **图像和视频指代分割**：根据自然语言描述精确分割图像或视频中的目标对象。

- **图像和视频对话**：支持与用户进行基于图像或视频的对话，回答与视觉内容相关的问题。

- **视觉提示理解**：支持处理视觉提示（如图像中的框、点等），并结合语言描述生成对应的分割掩码或回答。

- **基于指令的视频编辑**：根据用户指令对视频内容进行编辑，

- **密集的视觉理解**：Sa2VA能理解图像和视频的整体内容，还能对像素级的视觉细节进行分析和操作，支持复杂场景下的细粒度任务，如长文本描述的视频对象分割。

- **零样本推理**：支持在未见过的视频上进行推理，根据语言描述直接生成分割掩码或回答问题，无需额外训练。

## Sa2VA的技术原理

- **模型架构**：结合SAM2和 LLaVA。SAM2负责视频的时空分割，LLaVA提供语言理解和生成能力。两者基于特殊的 [SEG] 令牌连接，LLaVA的输出作为SAM2的输入，指导其生成分割掩码。

- **统一任务表示**：将多种任务（如指代分割、视觉对话、视觉提示理解等）统一为单次指令调整过程。所有输入（图像、视频、文本）被编码为视觉令牌，输入到LLM中，输出文本或分割掩码。

- **解耦设计**：基于解耦设计，冻结SAM2的解码器和记忆模块，保留其感知和跟踪能力。

- **Ref-SAV数据集**：引入Ref-SAV数据集，包含超过72k个复杂视频场景中的对象表达。数据集基于自动标注管道生成，包含长文本描述和复杂场景，提升模型在复杂环境下的性能。

- **时空提示**：基于LLaVA生成的 [SEG] 令牌作为SAM2的时空提示，指导生成精确的分割掩码。

- **联合训练**：在多个数据集上进行联合训练，包括图像QA、视频QA、图像分割和视频分割数据。

## Sa2VA的项目地址

- **项目官网**：[https://lxtgh.github.io/project/sa2va/](https://lxtgh.github.io/project/sa2va/?utm_source=ai-bot.cn)

- **GitHub仓库**：[https://github.com/magic-research/Sa2VA](https://github.com/magic-research/Sa2VA)

- **HuggingFace模型库**：[https://huggingface.co/ByteDance/Sa2VA](https://huggingface.co/ByteDance/Sa2VA-4B)

- **arXiv技术论文**：[https://arxiv.org/pdf/2501.04001](https://arxiv.org/pdf/2501.04001)

## Sa2VA的应用场景

- **视频编辑**：根据语言指令快速移除或替换视频中的对象，提升创作效率。

- **智能监控**：基于语言描述实时识别和跟踪监控画面中的目标，助力安防监控。

- **机器人交互**：理解指令并操作，如“拿起红色杯子”，增强机器人与环境的互动。

- **内容创作**：为图像或视频生成描述和问答，辅助教育或创意写作。

- **自动驾驶**：识别和分割道路场景中的行人、车辆等，辅助驾驶决策。

## 常见问题解答 (FAQ)

### Sa2VA适合做什么任务？
Sa2VA主要用于图像和视频指代分割、视觉对话、视觉提示理解，以及基于指令的视频编辑。它能根据自然语言描述定位目标，并输出分割掩码或回答视觉相关问题，适合需要细粒度视觉理解的场景。

### Sa2VA和SAM2有什么关系？
Sa2VA是在SAM2基础上结合LLaVA构建的多模态模型。SAM2负责时空分割与跟踪，LLaVA负责语言理解与生成，两者通过[SEG]令牌衔接，使文本指令能够直接指导分割结果生成。

### Sa2VA支持零样本推理吗？
支持。文章提到Sa2VA可在未见过的视频上直接根据语言描述生成分割掩码或回答问题，无需额外训练。这使它在新场景、复杂视频和长文本描述任务中更具实用性。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
