傳統分割模型（用於醫學影像的 U-Net、用於一般場景的 DeepLab）在特定類別上訓練並產生固定類別輸出。它們在訓練領域內運作良好，但無法分割新穎的物件。SAM（Kirillov 等人，2023，Meta）透過在 1,100 萬張影像上訓練 10 億個遮罩改變了這一點，學習了一種通用的「物件性」概念，無需微調即可遷移到任何領域。
SAM 接受提示（點擊、邊界框或文字），並為指定物件生成分割遮罩。它可以處理從未見過的影像，用於從未專門訓練過的物件類型——顯微影像、衛星照片、藝術品。SAM 2 將此擴展到影片，在幀間維持一致的物件分割。影響：以前需要特定領域訓練和昂貴標注的任務現在可以開箱即用。
醫學影像：分割腫瘤、器官和細胞用於診斷和治療規劃。自動駕駛：在像素層級理解可行駛表面、車道標記和障礙物。照片/影片編輯：精確的背景移除、物件選取和合成。農業：從空拍影像分析作物健康。機器人技術：理解物件邊界以進行抓取和操作。