Sa2VA: Marrying SAM2 with LLaVA for Dense Grounded Understanding of Images and Videos

Унифицированная модель для глубокого понимания изображений и видео от ByteDance

Сочетает SAM2 с LLaVA для #SOTA в сегментации и обсуждения визуального контента.

Линейка от 1.5B до 7B на базе Qwen2.5-VL и InternVL2.5/3

Гитхаб
Демо
Демо градио - сейчас не работает

#segmentation #vlm #assistant #video2text #vide2mask #captiopning

Sa2VA-Qwen3-VL-4B

ByteDance выпустил Sa2VA на Qwen3-VL-4B
Модель объединяет SAM2 и LLaVA для глубокого понимания изображений и видео

Гитхаб

#segmentation #vlm #assistant #video2text #vide2mask #captiopning

Sa2VA-Qwen3-VL-2B

ByteDance выпустил сегментатор Sa2VA на Qwen3-VL-2B
4B было тут
Модель объединяет SAM2 и LLaVA для глубокого понимания изображений и видео

Гитхаб

#segmentation #vlm #assistant #video2text #vide2mask #captiopning