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

然而，當前主流的技術路徑，如基于監督式微調（Supervised Fine-Tuning, SFT）的方法，正面臨著根本性的瓶頸。這些方法本質上是靜態的模式匹配，雖然在特定數據集上表現優異，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 方法在訓練中忽略了動態的、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 摒棄了靜態的 SFT，轉而采用端到端的強化學習（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 “執行” 過程（即圖像分割）進行動態的聯合優化。通過這種設計，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雜任務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：推理與分割的協同進化

在這個工作中，我們研究了分割大模型領域的一大一小兩個關鍵問題，大問題就是老生常談的 “泛化能力”，傳統分割大模型對未見過的提示和領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 框架的核心設計在于通過端到端的聯合優化，徹底打破傳統模型中 “思考”（推理）與 “執行”（分割）之間的信息壁壘。

以往的方法，例如同期的優秀工作 Seg-Zero，采用的是非端到端的設計，即先由推理模型生成邊界框和點提示，再交由現成的（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確性所鎖定。一旦推理階段的定位出現偏差，下游的分割模型將無法糾正，最終必然導致分割失敗。相比之下，LENS 通過其端到端的反饋閉環，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 的整體架構由三大核心組件構成，它們協同工作，實現了從高級語義理解到精確像素輸出的無縫銜接：

• 多模態大語言模型 (MLLM) - 推理核心：作為系統的 “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 的關鍵創新，它充當了 MLLM 和分割模型之間的信息高速公路。該模塊由一組可學習的上下文查詢（Context Queries）和一個連接器（Connector）組成，其任務是將 MLLM 生成的豐富推理軌跡和定位信息，轉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雜指令，并結合原始圖像信息，執行精準的像素級掩碼生成任務，將推理結果精確地體現在圖像上。

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

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）方法構建了統一強化學習獎勵機制（Unified Rewards Scheme）。該獎勵機制是多維度的，同時監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果）遵循預期的結構和格式一致性。
2. 邊界框 IoU 獎勵（Box IoU Reward）：衡量預測邊界框與真實邊界框之間的定位準確性。
3. 分割掩碼 IoU 獎勵（Segment IoU Reward）：評估像素級分割掩碼的質量。

通過我們提出的聯合優化（將統一的 GRPO 目標與監督分割損失相結合），LENS 能夠從獎勵驅動的推理改進和直接的分割監督中同時受益。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）也能帶領分割模型走向正確。

性能評估與分析

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

這些成果表明，LENS 這一類基于統一強化學習獎勵驅動的 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 為強化學習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、更穩健的視覺 - 語言系統的研究。代碼和預訓練權重已開源（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 與學術界同行進行深入交流。