2026年3月24日下午，nba买球推荐“启明星讲坛”在10305教室顺利举行。本期讲坛由2025级研究生童治、艾明明两位同学分别进行了学术汇报。2025级研究生到场参与了此次学术交流活动。
首先，童治这次的汇报介绍了一篇小型视觉语言模型,为大型模型提供了一种计算高效的替代方案，但代价是较弱的泛化能力和下游任务性能。这些缺点可以通过测试时间缩放技术来解决，但现有方法通常对计算要求很高，与小型模型的资源节约型设计目标相矛盾。童治所汇报的论文为了解决这些局限性，提出了两种利用模型内部特征而非外部监督的新型高效测试时间扩展策略。通过在九个基准测试中进行广泛实验，证明了性能的持续提升，同时保持了适合资源受限环境的计算效率。
艾明明的汇报则是原始SAM在单张图像分割上非常成功，但现实中的很多视觉任务发生在视频中，目标会运动、变形、遮挡甚至消失再出现，因此只处理单帧图像的模型已经不够。为此，提出了SAM 2，并将图像视作“只有一帧的视频”，构建了统一的图像视频分割框架。论文最值得强调的是，它并非只提出了一个新模型，而是从任务、模型和数据三个层面形成了完整系统。SAM 2在视频分割精度、交互效率和推理速度上都优于以往方法，在图像分割中相较原始SAM更快更准。当然，它在镜头切换、长时遮挡、拥挤场景和细长快速目标上仍有局限。总体来看，SAM2 的意义在于把分割任务从静态图像识别推进到时空交互理解，为医学、显微、海洋生态监测等垂直领域提供了重要启发。
