把 SAM 3 的图像编码器权重量化到 4 比特、激活保持 8 比特后，模型常出现“提示对齐漂移”：掩码看着合理，却圈错目标或在视频中丢失同一对象。SPQ 在离线校准阶段给影响文本概念分数的参数更高权重、约束低方差残差方向上的特征误差，并用成对视频推演估计记忆接口的均值偏移后折入已有偏置。在 W4A8 设置下，RefCOCO Pr@0.5 由 PTQ4SAM 的 42.1 升到 72.5，同时保留 54.8 COCO mask AP，推理图不增加算子。
X光安检的通用物体定位此前受制于专家标注稀缺，只能沿用RGB图像预训练的分割模型，在重叠、弱边界的行李扫描上表现不稳。LAO-X把无标注X光扫描中挖出的物体按比尔-朗伯定律在吸光度域重新合成，生成带整体与局部伪掩码的行李场景，再用遮挡递进的课程微调SAM2定位器。在六个X光基准上，该方法在无任何人工标注条件下把类别无关定位的mAP较SAM2与X光专用基线提升2%至23%，其中DET-COMPASS达到53.33% mAP。
该工作提出 TAPe+ML v3：以 TAPe（主动感知理论）结构化表示替代原始像素张量，配合背景、指针、原型聚类等子模型与协调器，在不到 10 万参数下于 COCO 检测取得 84.7 mAP50 与 65.3 mAP50-95、COCO 实例分割取得 80.7 mask mAP50 与 58.4 mask mAP50-95，ImageNet-1k Top-1 为 88.1%、ImageNet-Real 为 89.9%，Imagenette 上相同训练条件下 TAPe 输入达 92% 而原始像素基线为 47%，并在矿石堵塞工业试点中显示骨干适配比仅调头部更有效。
作者为球形、椭球形、立方体和棒状四种胶体颗粒各构建了约135–155张合成图像的数据集并人工标注为孤立颗粒、二聚体、链、环和团簇五类，用YOLOv8-seg（多边形实例分割）训练出四个识别模型，在合成测试集上准确率约97–99%，但迁移到40张实验显微照片（每种形状10张）后性能显著下降，相对合成基准的平均误差为43.1%，其中球体20%、椭球44.7%、棒49.2%、立方体58.5%，数据集与模型已公开并集成到isanm.space信息系统中。
该工作提出一套预先设定保留标准的评估协议，在覆盖 BBBC038 细胞核、BBBC039 U2OS 荧光与 NIST iPSC 三种成像模态、共 176 个分层留出视野的公开面板上，检验 Cellpose–SAM 的多种训练后量化方案：仅权重量化 W8A16 在所有模态上保持实例 F1，敏感度引导的混合 W4/W8 方案（四个 INT8 例外算子）在无观测到灾难性失败的情况下把权重存储从 1162.07 MiB 降到 171.86 MiB，而三值 W2A16-G64 虽压缩到 96.21 MiB 却在 176 个视野中有 169 个灾难性失败，说明压缩应以按模态分层的下游保留率而非单一精度数字来评判。
已读完全部报道