SAM 發布之后，很多人第一時間進行了實測，一些網友還結合自身的工作領域打開了 SAM 更廣的應用想象空間。

自然科學研究者——將SAM和衛星圖像結合在了一起，表示SAM能夠很好的識別和找到他標記的風貌類型。

神經外科影像學從業者——將SAM用到了一個脊髓血管病的病例文件之中，認為SAM在幫助判斷和分析病情上有很大幫助。

生物學家——輸入一張顯微鏡下的組織圖片，即使圖中形狀特征毫無規律，SAM也能夠自動識別多細胞結構中的腺體、導管、動脈等，SAM 在未來能夠節省大量手動注釋的時間。

騎行愛好者——將地圖和SAM結合起來，認為能夠幫助自己未來更快更高效地給地圖做標記。

農場管理者——借助 SAM 監管農場動物，進行作物培植生產研究等。

AI研究專家——英偉達人工智能科學家 Jim Fan 表示 SAM 已經基本能夠理解“物品”的一般概念，即使對于未知對象、不熟悉的場景（例如水下和顯微鏡里的細胞）。

SAM 之于計算機視覺，就像是 GPT 之于大語言模型。

論文解讀

在 Meta 的論文《Segment Anything》中，新模型全名為Segment Anything Model，圖像注釋集名為Segment Anything 1－Billion （SA－1B），據稱這是有史以來最大的分割數據集。

論文地址：https：／／arxiv．org／abs／2304．02643

此前解決分割問題大致有兩種方法。第一種是交互式分割，第二種是自動分割。前者需要人通過迭代完善一個遮罩來指導模型，后者需要大量的手動注釋對象來訓練。兩種方法都無法實現全自動的圖像分割。SAM 很好的概括了這兩種方法，可以輕松地執行交互式分割和自動分割。

本篇論文中，研發人員提到了SAM 的靈感來源于自然語言處理領域。在 NLP 領域，基礎模型可以使用prompting技術對新數據集和任務執行零樣本和少樣本學習。

而在CV領域，具體到 SAM 中，研究人員訓練的 SAM 可以針對任何提示返回有效的分割掩碼。提示可以是前景、背景點、粗框或掩碼、自由格式文本等等能指示圖像中要分割內容的任何信息。

在Web瀏覽器中，SAM有效映射圖像特征和一組提示嵌入來生成分割掩碼

除了新模型 SAM，Meta還發布了迄今為止最大的分割數據集 SA－1B。

數據集由 SAM 收集，此數據集已是迄今為止最大的數據。注釋員使用 SAM 交互式地注釋圖像，然后新注釋的數據反過來更新 SAM，重復執行此循環來改善模型和數據集。

SA－1B 圖像數據集包含超過11億個掩碼，這些掩碼是從1100萬張已經獲得許可、并且保護隱私的高分辨率圖像中收集的，這些圖像的分辨率達到了1500×2250 pixels，平均每張圖像約有100個掩碼。甚至可以媲美以前規模小得多、完全手動注釋的數據集中的掩碼。

Meta 官方稱，通過在業內共享這項研究和數據集，進一步加速對分割圖像視頻的研究，為AR／VR、內容創作、科學領域和更普遍的 AI 系統等領域的強大組件，釋放出更加強大、通用的人工智能系統。