AIxiv报道了字节跳动与北大等机构联合提出的多模态大模型Sa2VA，该模型结合了SAM-2和LLaVA的优势，实现了视频和图像的细粒度理解，支持多种任务，表现优异。

多模态大型语言模型Sa2VA结合视频分割与语言处理，提升图像和视频理解效率。该模型采用创新的解耦设计和特殊标记机制，支持多任务，表现优于以往系统，标志着多模态AI的重大进步。