在AI领域的最新进展中，PAM（Perceive Anything Model）模型的2.0版本引起了广泛关注。这一由港中文MMLab、港理工、北京大学等机构联合开源的模型，不仅继承了SAM2的分割和追踪能力，还能输出丰富的语义信息，实现了从分割到理解的全方位突破。
PAM模型的创新之处在于其能够通过一次交互，完成分割、识别、解释和描述的全过程，支持图像、视频和长视频的处理，同时输出文本和Mask。这一能力的实现，得益于PAM团队构建的超大规模高质量训练数据集，包含150万个图像区域和60万个视频区域的标注。
实验结果显示，PAM仅使用3B参数，就在多个图像和视频理解基准上达到或接近SOTA水平，同时在推理效率和显存占用上表现出色，真正实现了性能与轻量的统一。
PAM模型的应用前景广阔，从AR/VR到移动端推理，都能发挥其快速响应和高效处理的优势。特别是在视频理解领域，PAM首创的流式视频字幕能力，为实时事件描述和动态叙述提供了新的可能性。
所有相关数据和研究已完全开源，为AI社区的发展贡献了宝贵资源。