字節跳動釋出 Sa2va-4b-Image，連線 SAM-2 與多模態大模型

2026 年 10 月 3 日，DEV Community 上出現一篇介紹性文章，講的是由字節跳動維護的影像模型 Sa2va-4b-Image。文章稱該模型屬於 Sa2VA 系列，是這個系列中的影像模型；它的做法是把 SAM-2 分割模型與多模態大模型（MLLM）結合在一起，從而把自然語言指令直接連線到影像中的具體區域。

使用方式上，模型接收一張圖片和一段文字指令作為輸入，返回一段文本回復以及一個圖片 URI。該文自述是一份關於這個模型的簡化指南，並在開頭提到，如果讀者喜歡這類分析，可以加入 AImodels.fyi 或關注其 Twitter 賬號。

報道沒有給出這個模型的釋出時間、引數量、訓練資料、評測結果、開放範圍或與同系列其他模型的關係，也沒有說明字節跳動是否通過官方渠道宣佈過它。就目前這一篇材料而言，可以核對到的資訊停留在上述範圍：主體是字節跳動，模型名是 Sa2va-4b-Image，所屬系列是 Sa2VA，技術路線是 SAM-2 加多模態大模型，輸入是圖片加文字指令，輸出是文本回復加圖片 URI。