文章：Evolving, Not Training: Zero-Shot Reasoning Segmentation via Evolutionary Prompting
代码：https://github.com/AHideoKuzeA/Evol-SAM3
单位：厦门大学
一、问题背景：推理分割的三大核心痛点
推理分割的关键难点在于“语言-视觉-逻辑”的三重对齐，但现有主流方法始终无法突破以下瓶颈：
监督微调（SFT）：“记了新的，忘了旧的”
传统SFT方法需要用大量标注数据训练特定任务，却存在严重的“灾难性遗忘”——训练完“医疗影像分割”后，再处理“家居场景分割”时，会丢失之前学到的特征；同时，它高度依赖领域数据，若换一个未见过的场景（如工业零件缺陷分割），准确率会骤降30%-50%，通用性极差。强化学习（RL）：“奖励依赖症”与训练不稳定
RL方法试图通过“奖励函数”引导模型优化，但奖励函数的设计极具主观性——比如“分割准确率”和“边界完整性”的权重难以平衡，稍有调整就会导致训练震荡；此外，RL训练周期长、算力消耗大，且在复杂语言查询（多条件嵌套）下，容易出现“奖励误判”，反而降低分割精度。无训练方法：“一步到位”的静态陷阱
近期兴起的无训练方法虽避开了训练负担，却陷入“生成-然后分割”的单流程静态范式——模型只能根据初始提示生成一次分割结果，无法自我检查错误。比如遇到“找出桌子上不是蓝色的杯子”这类否定性查询时，容易误将蓝色杯子纳入结果；若图像中物体有遮挡（如“被书本挡住一半的笔记本电脑”），也无法修正空间定位偏差，推理深度严重不足。
二、方法创新：用“进化思维”重构推理分割逻辑
针对静态推理的局限，EVOL-SAM3提出了“推理时进化搜索”的全新框架——不依赖固定提示，而是让模型像生物进化一样，通过“生成-评估-进化”循环迭代优化提示假设，核心创新点可拆解为三大模块：
1. 动态提示池：告别“单一提示依赖”
不同于传统方法的“单提示输入”，EVOL-SAM3初始化一个包含10-20个“提示假设”的动态池（比如针对“红色椅子上的人”，提示池会包含“红色物体+人形区域”“椅子轮廓+人体关键点”等不同角度的提示），每个提示对应一个初步分割结果，为后续进化提供“基因多样性”。
2. 三大核心循环：模拟“自然选择”的优化逻辑
框架的核心是持续迭代的“生成-评估-进化”循环，每个环节都有针对性设计：
生成环节：基于当前提示池，调用SAM（Segment Anything Model）生成对应分割掩码，确保基础分割能力的可靠性；
评估环节：引入“视觉竞技场”——无需外部标签，而是让两个提示的分割结果“两两竞赛”，通过对比“语言查询匹配度”（如是否包含“红色”特征）和“空间完整性”（如是否完整覆盖“椅子”区域），自动打分筛选优质提示；
进化环节：设计“语义变异算子”——对高分提示进行微调（如将“红色”细化为“酒红色”“鲜红色”），同时补充新的候选提示，避免陷入局部最优，像生物变异一样保持提示池的多样性。
3. 异构竞技场：融合几何与语义的“最终裁判”
在循环末期，引入“异构竞技场”模块——不仅评估语义匹配度，还加入几何先验（如“人坐在椅子上”的空间位置关系：人体应在椅子上方，且两者边界有重叠），对剩余候选提示进行最终筛选，确保分割结果既符合语言逻辑，又符合现实世界的空间规律。
三、实验结果：零样本场景下超越全监督SOTA
研究团队在推理分割领域的权威基准ReasonSeg（包含家居、办公、户外等6类复杂场景，共1.2万张图像+3.5万条复杂语言查询）上开展实验，重点验证零样本性能（即模型未在ReasonSeg数据集上进行任何训练），结果远超现有方法：
从表格可见，EVOL-SAM3在零样本设置下，平均IoU不仅比无训练静态方法高8.6%-10.6个百分点，更直接超越了全监督SOTA方法（CoOp+SAM）4.2个百分点；尤其在“多条件嵌套”“否定性查询”等复杂任务中，准确率提升更为显著（比全监督方法高7.8个百分点）。
此外，在“遮挡场景”和“跨领域场景”（如训练数据为家居，测试数据为工业零件）的专项测试中，EVOL-SAM3的性能衰减率仅为8%-12%，而传统无训练方法衰减率高达25%-35%，充分证明其场景适应性。
四、优势与局限：客观看待“进化式”框架的价值
（一）核心优势
零样本通用性拉满
无需任何目标数据集的训练，即可直接应用于医疗、工业、家居等不同领域，解决了SFT“领域依赖”和RL“训练成本高”的痛点，落地门槛大幅降低。推理灵活性突破静态局限
通过“循环进化”实现自我修正，能处理否定句、多条件查询、物体遮挡等复杂场景，解决了传统无训练方法“一步错、步步错”的问题。无标注依赖，低成本落地
全程无需人工标注数据，仅依赖初始提示池和自动评估机制，尤其适合标注成本高的领域（如医疗影像、工业缺陷检测）。
（二）现存局限
推理速度较慢
“生成-评估-进化”循环需要迭代5-10轮，单张图像处理时间约为0.8-1.2秒，比静态方法（0.2-0.3秒）慢3-4倍，难以满足自动驾驶、实时监控等“毫秒级响应”场景。极端语言查询仍有短板
面对超复杂逻辑查询（如“找出在桌子左边、比花瓶高、且旁边有黑色钢笔的白色杯子”），语义变异算子可能无法覆盖所有条件，导致分割准确率下降至60%左右。提示池初始化依赖经验
初始提示池的数量（10-20个）和类型需要人工设定，若初始化不当（如提示方向单一），会增加进化迭代次数，影响效率。
五、一句话总结
EVOL-SAM3通过“进化式推理框架”，在零样本推理分割任务中突破静态方法局限，不仅超越全监督SOTA，还具备跨领域适应性，虽在推理速度和极端查询处理上仍需优化，但为低成本落地复杂视觉任务提供了全新思路。
