最近AI圈有个新动静，第三代“分割一切”模型SAM3，已经悄悄投稿给ICLR2026了。

论文还在双盲评审，作者没露名字，但光看标题就知道不简单，这模型终于能听懂人话了，不用再像以前那样靠点选、画框才能分割东西。

比如你跟它说“条纹猫”，它就能自己在图里找出所有带条纹的猫，一个个都分割出来。

能做到这点，可不是随便改改代码就行。

SAM3背后有个叫PCS的新任务范式，全称是“可提示概念分割”。

简单说，就是你给它个短语、或者一张示例图，它就能把所有匹配的东西都找出来。

为了实现PCS，SAM3还改了架构。

它的检测器用了DETR变形Transformer的设计，能根据文字和视觉提示找实例。

最关键的是加了个PresenceHead模块，把“认东西”和“找位置”拆开来处理。

老实讲，以前的模型老是把这两件事放一起做，比如判断“这是不是猫”的同时还要找猫在哪，很容易出错，尤其是东西多的时候。

现在拆开来，精度确实提上去了。

光有架构还不够，数据得跟上。

还有开源社区早就用YOLO加GPT-4API实现过类似功能，觉得SAM3有点“炒冷饭”。

这种质疑也有道理，SAM3确实是在现有基础上优化，但它把多实例、图片视频统一处理这些点整合到一起，还是有进步的。

整体来看，SAM3算是给分割模型开了个新方向，从“靠手点”变成“靠嘴说”，门槛低了很多。

以后做视频剪辑、AR/VR这些事，用它来分割东西会方便不少。

比如剪视频的时候，想把所有“人物”都挑出来，不用再一帧一帧画框，说句话就行。

不过要想更实用，还得解决那些短板。

比如把复杂语言理解加上，再适配医疗、工业这些细分场景。

要是下一代模型能做到这些，说不定真能像SAM1那样，在CV领域再掀起一次小浪潮。

毫无疑问，SAM3现在还不是终点，但它至少让我们看到了分割模型“更聪明”的样子。