Sa2VA，基于 SAM2 和 LLaVA 的多模态视觉语言模型，打破了图像与视频理解的壁垒，成为支持密集视觉任务和对话的新基准。借助先进的单次指令调优和全新数据集 Ref-SAV，Sa2VA 在多项基准任务中表现优异，为复杂场景下的视觉语言交互提供了无限可能。