这篇有意思的地方，是把“替某类物体训练一个抠图工具”，变成了“给同一个模型不同提示，就能取得不同选区”。
想只提亮照片里的一件外套，第一步往往最费事：告诉软件哪些像素属于它。手动画边缘很慢；按固定类别识别的工具，又未必认识眼前这件东西。即使点一下就能选，也有歧义：点在袖子上，要的是袖子、外套，还是整个人？
Alexander Kirillov 等人的《Segment Anything》提出视觉基础模型 SAM，也就是在大量图像上训练、可迁移到不同分割任务的通用模型。这里的分割，是生成一张标明“哪些像素被选中”的掩膜。它借用了大模型的提示思路，但提示可以是点击或方框。
关键转折是承认“一次点击可能有几个合理答案”。SAM 可以给出多个候选掩膜，避免把袖子和整个人硬平均成奇怪的轮廓。模型先处理整张图，保存可复用的图像特征；之后用户补点或改框，由较轻的部分更新选区，不必每次重算整图。方法见原文第3节。
这种通用性也需要数据支撑。作者让模型先辅助人工描选区，再让人补充遗漏物体，最后扩大到自动标注。模型帮助造训练数据，新数据又帮助模型处理更多情况。作者仓库提供了点、框提示与自动生成掩膜的使用入口。
成没成？论文在单点提示测试中，不针对测试集重新训练；在23个数据集中的16个上，SAM 的预测选区与标注选区重合得比交互分割对手 RITM 更好。默认按模型自己的置信度选答案。文中另有看过标准答案再挑候选的结果，那是真实使用时做不到的分析，不能混为产品能力。结果与协议见第7.1节。
它值得继续讨论，是因为“先确定操作范围”贯穿影像工作流。以下是应用推想：相册可让用户点出要处理的物体；修图软件可把选区交给调色或生成式填补工具；拍摄界面可用点击指定局部测光区域。视频里还需要额外解决跨帧跟踪，不能把逐张选得好直接当成整段稳定。
局限恰好也在这里：选出范围，并不等于知道该如何改。作者承认模型会漏细小结构、产生零碎误选；提示响应快，也不代表首次处理整图快。文字提示仍是探索，不能理解为公开模型已经能稳定“听话抠图”。若要精修发丝或处理半透明边缘，还得检验选区是否足够细致。局限见第8节。