本教程将带你系统了解北京智源人工智能研究院在2023年中关村论坛上发布的通用分割模型 seggpt（Segment Everything In Context），并深入对比 Meta 的 SAM 模型，帮助你快速掌握其核心原理与实用方法。
什么是 seggpt？
seggpt 是一个基于通用视觉模型 Painter 优化而来的通用分割模型。它最大的亮点在于，仅需通过 视觉提示（prompt） 即可完成任意分割任务，完全无需针对特定场景进行微调。你只需提供一张或多张示例图像及其对应的分割掩码（意图面具），seggpt 就能自动理解你的需求，并对同类物体实现精准分割。
seggpt 的核心能力
- 上下文推理：seggpt 拥有强大的上下文理解能力。即便不进行任何参数调整，只要给出 示例（示例图像 + 目标掩码），它就能自主推理并完成相应的分割任务，实现零样本分割。
- 多类型分割支持：可处理的提示类型涵盖 示例、类别、部件、轮廓、文本、面部、医疗图像 等多种场景，几乎覆盖所有常见视觉任务。
- 自动视频分割与追踪：seggpt 以视频首帧的图像和对象掩码作为上下文，可自动分割后续帧中的同一对象，并利用掩码颜色作为对象 ID 实现多目标自动追踪。
seggpt 与 Meta SAM 的主要区别
Meta 推出的图像分割基础模型 SAM 采用 “一触即通”（one-touch） 方式：用户通过一个点或一个边框来提示模型，预测并分割出画面中的特定物体。而 seggpt 采用的是 “一通百通” 方式：用户只需提供一组示例图像及对应的意图掩码，模型便能掌握用户意图，并据此对同类物体进行分割——即使物体出现在完全不同的画面中也能精准识别。
简单来说：SAM 擅长在精确提示下进行单物体分割，seggpt 则擅长理解用户意图后实现批量、同类物体的统一分割。
seggpt 与 SAM 的协同价值
“一触即通”与“一通百通”的结合，意味着视觉模型真正理解了图像的结构。在像素排列层面，SAM 的精细脚注功能 与 seggpt 的通用分割脚注功能 相互补充后，可以像生物视觉一样分析任意图像，理解任何场景。