文本提示圖像分割（Text-prompted image segmentation）是實現(xiàn)精細化視覺理解的關(guān)鍵技術(shù)，在人機交互、具身智能及機器人等前沿領(lǐng)域具有重大的戰(zhàn)略意義。這項技術(shù)使機器能夠根據(jù)自然語言指令，在復(fù)雜的視覺場景中定位并分割出任意目標(biāo)。

然而，當(dāng)前主流的技術(shù)路徑，如基于監(jiān)督式微調(diào)（Supervised Fine-Tuning, SFT）的方法，正面臨著根本性的瓶頸。這些方法本質(zhì)上是靜態(tài)的模式匹配，雖然在特定數(shù)據(jù)集上表現(xiàn)優(yōu)異，但其泛化能力往往受限，形成了一個難以逾越的 “能力天花板”。尤其是在處理需要多步、復(fù)雜推理的未知指令時，性能會顯著下降，其根源在于 SFT 方法在訓(xùn)練中忽略了動態(tài)的、顯式的推理過程。

為了 shatter 這一能力天花板，我們引入了 LENS（Learning to Segment Anything with Unified Reinforced Reasoning）框架。LENS 摒棄了靜態(tài)的 SFT，轉(zhuǎn)而采用端到端的強化學(xué)習(xí)（Reinforcement Learning, RL）機制，將高層次的 “思考” 過程（即思維鏈推理）與像素級的 “執(zhí)行” 過程（即圖像分割）進行動態(tài)的聯(lián)合優(yōu)化。通過這種設(shè)計，LENS 旨在賦予分割模型真正的、上下文感知的推理能力，從而在根本上提升其在復(fù)雜任務(wù)中的魯棒性和泛化性。

本文將深入介紹一下我們 AAAI 榮獲 Oral 的工作，“會思考的分割大模型 LENS”。有幸在這次 AAAI 2026 得到了審稿人們一致正面的評價，并被 AC 和 PC 一致同意推薦為 Oral 論文。

• 論文標(biāo)題：LENS: Learning to Segment Anything with Unified Reinforced Reasoning
• 論文鏈接：https://arxiv.org/abs/2508.14153
• 代碼鏈接：https://github.com/hustvl/LENS

LENS 框架概覽：推理與分割的協(xié)同進化

在這個工作中，我們研究了分割大模型領(lǐng)域的一大一小兩個關(guān)鍵問題，大問題就是老生常談的 “泛化能力”，傳統(tǒng)分割大模型對未見過的提示和領(lǐng)域的泛化能力往往有限；小問題則是隱藏的 “信息瓶頸”，此前的分割大模型從 “大腦思考”（MLLM）到 “分割解碼”（SAM）之間往往只通過單一的分割 Token 傳遞信息，存在隱形的 “信息輸送瓶頸”。

LENS 框架的核心設(shè)計在于通過端到端的聯(lián)合優(yōu)化，徹底打破傳統(tǒng)模型中 “思考”（推理）與 “執(zhí)行”（分割）之間的信息壁壘。

以往的方法，例如同期的優(yōu)秀工作 Seg-Zero，采用的是非端到端的設(shè)計，即先由推理模型生成邊界框和點提示，再交由現(xiàn)成的（off-the-shelf）SAM 進行分割。這種分離式流程的主要缺陷在于誤差的單向傳播。這意味著像 Seg-Zero 這樣的非端到端模型是根本上脆弱的；它們的性能上限被其初始猜測的準(zhǔn)確性所鎖定。一旦推理階段的定位出現(xiàn)偏差，下游的分割模型將無法糾正，最終必然導(dǎo)致分割失敗。相比之下，LENS 通過其端到端的反饋閉環(huán)，具備了即便從不完美的初步定位中也能自我糾正的能力。

LENS 的整體架構(gòu)由三大核心組件構(gòu)成，它們協(xié)同工作，實現(xiàn)了從高級語義理解到精確像素輸出的無縫銜接：

• 多模態(tài)大語言模型 (MLLM) - 推理核心：作為系統(tǒng)的 “大腦”，LENS 采用先進的 MLLM（如 Qwen2.5-VL-3B-Instruct）來處理輸入的圖像和文本指令。它負責(zé)生成詳盡的思維鏈（Chain-of-Thought, CoT）推理過程，并給出一個初步的目標(biāo)邊界框。這一過程不僅是定位，更是對指令的深度理解。

• 上下文模塊 (Context Module) - 信息橋梁：這是 LENS 的關(guān)鍵創(chuàng)新，它充當(dāng)了 MLLM 和分割模型之間的信息高速公路。該模塊由一組可學(xué)習(xí)的上下文查詢（Context Queries）和一個連接器（Connector）組成，其任務(wù)是將 MLLM 生成的豐富推理軌跡和定位信息，轉(zhuǎn)化為分割模型能夠高效利用的、信息密集的分割提示

• 分割模型 (SAM-2) - 像素解碼器：作為系統(tǒng)的 “雙手”，LENS 采用高性能的分割模型（SAM2-Large）。它接收來自上下文模塊的復(fù)雜指令，并結(jié)合原始圖像信息，執(zhí)行精準(zhǔn)的像素級掩碼生成任務(wù)，將推理結(jié)果精確地體現(xiàn)在圖像上。

通過這種 “推理 - 橋接 - 分割” 三位一體的緊密耦合架構(gòu)，LENS 實現(xiàn)了推理質(zhì)量和分割精度的同步提升。這種設(shè)計使得最終的分割性能可以直接反作用于推理過程的優(yōu)化，形成一個完整的閉環(huán)，為實現(xiàn)更高水平的通用分割能力奠定了基礎(chǔ)。

LENS 框架同時在 “思考推理” 端也做出了改進，我們基于 Group Relative Policy Optimization（GRPO）方法構(gòu)建了統(tǒng)一強化學(xué)習(xí)獎勵機制（Unified Rewards Scheme）。該獎勵機制是多維度的，同時監(jiān)督以下三個層級的線索：

1. 格式獎勵（Format Reward）：確保 MLLM 的輸出（包括推理過程和定位結(jié)果）遵循預(yù)期的結(jié)構(gòu)和格式一致性。
2. 邊界框 IoU 獎勵（Box IoU Reward）：衡量預(yù)測邊界框與真實邊界框之間的定位準(zhǔn)確性。
3. 分割掩碼 IoU 獎勵（Segment IoU Reward）：評估像素級分割掩碼的質(zhì)量。

通過我們提出的聯(lián)合優(yōu)化（將統(tǒng)一的 GRPO 目標(biāo)與監(jiān)督分割損失相結(jié)合），LENS 能夠從獎勵驅(qū)動的推理改進和直接的分割監(jiān)督中同時受益。值得一提的是，LENS 的端到端特性解決了定位錯誤（Grounding Error）向下游傳播的問題，如上圖右一右二所示，哪怕有些情況定位框是錯的，強大的上下文查詢（Context Query）也能帶領(lǐng)分割模型走向正確。

性能評估與分析

核心結(jié)果方面，LENS 取得了文本提示分割任務(wù)的最先進性能（SoTA）：LENS 在 RefCOCO 系列的基準(zhǔn)測試中取得了 81.2% 的平均 cIoU，達到了世界最高水平。在 GroundingSuite-Eval 這類更具挑戰(zhàn)性的零樣本基準(zhǔn)測試中，LENS 展現(xiàn)出卓越的域外泛化能力，cIoU 達到 78.3%，超越第二優(yōu)方法接近 10%。

這些成果表明，LENS 這一類基于統(tǒng)一強化學(xué)習(xí)獎勵驅(qū)動的 CoT 推理方法，能夠顯著提升文本提示下的分割能力。我們相信，LENS 為強化學(xué)習(xí)與視覺分割的無縫集成提供了新的思路，并有望推動更通用、更穩(wěn)健的視覺 - 語言系統(tǒng)的研究。代碼和預(yù)訓(xùn)練權(quán)重已開源（https://github.com/hustvl/LENS），感興趣的朋友們歡迎研究和使用。我們也期待在 AAAI 2026 與學(xué)術(shù)界同行進行深入交流。