vision banana 在图像分割任务上已明确超越 sam3，其在 cityscapes 上达 0.699 miou，高出 4.7 个百分点；作为生成式通用模型，它以文本指令驱动分割，支持自然语言输入、像素级一致输出及多任务无缝切换，但推理速度较慢且实例分割指标尚未全面公开。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

Vision Banana 在图像分割任务上已明确超越 SAM3。

它在 Cityscapes 语义分割基准上达到 0.699 的 mIoU，比 SAM3 高出 4.7 个百分点。这不是小幅度优化，而是跨范式的性能跃升——SAM3 是判别式专用模型，而 Vision Banana 是生成式通用模型，靠“生成即理解”机制完成分割。

分割能力差异的核心原因

Google Veo 3.1

Veo 3.1增强了音频生成能力、提示词理解能力和角色一致性控制。支持多参考图生成、场景扩展（Scene Extension）、更长视频制作以及更精准的镜头控制，同时提升了画面真实感和叙事能力。是当前 Google 主推的旗舰视频生成模型。

下载

• SAM3 依赖手工设计的提示编码器和掩码解码器，对提示鲁棒性有限，泛化依赖大量标注点或框
• Vision Banana 将分割请求转为文本指令（如“输出红色掩码图，仅保留行人区域”），通过统一 RGB 图像生成+确定性解码实现分割，隐式建模了对象几何、材质与上下文关系

实际使用中的关键区别

• 输入方式更自由：支持自然语言描述目标（“穿蓝衣服站在树后的女孩”），无需精确点击或框选
• 输出一致性更强：同一张图多次请求“天空分割”，结果像素级对齐；SAM3 因随机初始化或提示扰动易出现掩码抖动
• 多任务无缝切换：不换模型、不切接口，一句“先分割再估计深度再标边缘”即可连续输出三类结果

需要注意的现实约束

• 推理速度目前慢于 SAM3，尤其高分辨率图需更多显存与时间
• 实例分割指标尚未全面公开，当前优势集中在语义分割与零样本泛化场景
• 对极端低光照、强运动模糊图像的分割稳定性仍在提升中

它不是“另一个更好的 SAM”，而是把分割降维成提示工程问题。