字节跳动发布 Sa2va-4b-Image，连接 SAM-2 与多模态大模型

2026 年 10 月 3 日，DEV Community 上出现一篇介绍性文章，讲的是由字节跳动维护的图像模型 Sa2va-4b-Image。文章称该模型属于 Sa2VA 系列，是这个系列中的图像模型；它的做法是把 SAM-2 分割模型与多模态大模型（MLLM）结合在一起，从而把自然语言指令直接连接到图像中的具体区域。

使用方式上，模型接收一张图片和一段文字指令作为输入，返回一段文本回复以及一个图片 URI。该文自述是一份关于这个模型的简化指南，并在开头提到，如果读者喜欢这类分析，可以加入 AImodels.fyi 或关注其 Twitter 账号。

报道没有给出这个模型的发布时间、参数量、训练数据、评测结果、开放范围或与同系列其他模型的关系，也没有说明字节跳动是否通过官方渠道宣布过它。就目前这一篇材料而言，可以核对到的信息停留在上述范围：主体是字节跳动，模型名是 Sa2va-4b-Image，所属系列是 Sa2VA，技术路线是 SAM-2 加多模态大模型，输入是图片加文字指令，输出是文本回复加图片 URI。