尝试了局批注，PAM仅使用3B参数，就在多个图像和视坡讽解基准上全面刷新或逼近SOTA，且具备更优的推理效能和显存占用，真正实现机能与轻量的统一。 这些模型往往无法直接输出宰割了局，或必要额表接入segment模型，流程复杂；模型体量通常极度重大，对推算资源要求高，不合用于轻量化、急剧响应的现实场景（如AR/VR、移动端推理等）。 为支持PAM的训练，构建了一个大规模、多档次、高密度的图像与视频语义标注数据集，覆盖分类、诠释、描述、时序事务等多个维度： 对每段视频抽取6关键帧，合成为Storyboard体式的高分辨率图像；使用SoM高亮指标区域，作为提醒疏导；利用关源VLM进行多帧结合推理，天生细节丰硕、功夫感知强的事务描述。 将长视频切分为多个陆续不沉叠的事务片段每段片段沉复Storyboard流程；并在天生描述时递归引入前一段文字内容，让字幕连贯衔接，保障高低文一致性。 此表，PAM初创了区域级的流式视频字幕能力，不仅能持续描述一个物体的行为，还能在陆续事务中维持高杜罪义一致性，展示了壮大的现实利用潜力。