SAM 2.1 Hiera-S (sam-lite)

sam-lite 即 SAM 2.1 Hiera-S，是 Meta 发布的 Segment Anything Model 2.1 的小型版本。它根据框或点，每个提示分割一个物体，价格低于 sam3，并包含在免费池中。它不接受文本提示，也没有“找出更多类似的”模式。

模型 ID	sam-lite
模型	SAM 2.1 Hiera-S（Meta）
权重	Meta 发布的官方 SAM 2.1 Hiera-S 检查点
用例	交互分割
接口	POST /v1/segment、POST /v1/refine
模型池	免费池（首次储值后）：每个 UTC 日的前 1,000 次调用免费，超出部分从余额中扣费
计费单位	encode_image（缓存命中时减免）、box、point、refine。单位与价格：计费
许可证	Apache-2.0

工作原理

一次调用分为两个阶段：图片只编码一次，之后每个提示各自单独解码。计费与这两个阶段对应。

图片编码。 图片被缩放到 1024 × 1024 像素，送入 Hiera-S 图片编码器，即一个把图片转换为特征图的层次化视觉 Transformer。每次调用计费一次，计为 encode_image。编码结果按账户和图片缓存，保留方式为尽力而为，最长保留 7 天；之后的调用在缓存中找到该编码时，跳过这一阶段，编码费减免。缓存的编码以紧凑方式存储，因此缓存命中时的结果与重新编码的结果可能有极细微的差异。

提示。 轻量的提示编码器把点和框转换为嵌入，轻量的蒙版解码器生成蒙版。/v1/segment 调用中的各个提示会成批送入解码器，但每个提示各自得到一个蒙版，所以每个提示都要计费（point 或 box）。每个蒙版还需要后处理，即放大到图片尺寸并描绘多边形，这部分工作随图片尺寸增大。单个点本身存在歧义，因此解码器为它预测 3 个候选蒙版，并返回预测 IoU 最高的一个；实例的 score 即该预测 IoU。

修整。 POST /v1/refine 是针对一个物体的一次解码。全部点和可选的框都是这同一次推理的输入，所以无论带多少个点，调用只计费一次，计为 refine。设置 options.multimask 时，返回该次推理的候选蒙版（最多 3 个），而不是最佳的一个。

各用例下的特性

交互分割

• POST /v1/segment 接受 box（框内的物体）和 point（点所在的物体）提示，可在一次调用中混用，每个提示恰好返回一个实例。每个实例包含 prompt、score、bbox、area 和 polygon，没有 label。
• sam-lite 不使用 positive：框始终标出物体，点始终为正向。负点用于 POST /v1/refine。
• 不接受文本提示和样例框，也没有“找出更多类似的”模式。概念提示由 sam3 提供。
• 每个提示都是物体提示，因此总是返回：filter、nms 和 options.maxInstances 不适用。cleanup、几何输出选项和 merge 适用，详见后处理。
• POST /v1/refine 为一个物体接受最多 20 个正负点和一个可选的框。响应包含最佳蒙版；设置 options.multimask 时包含最多 3 个候选蒙版。整个调用是一次解码。该调用为交互优先级，截止时间为 2 秒。

与 sam3 的对比：交互分割。

用例说明与调用示例：交互分割。

概念分割

不支持。sam-lite 既不接受文本提示，也不接受样例框。如需找出某一概念的全部实例，请使用 sam3。

限制与说明

• 每次分割调用 1 至 50 个提示（框和点合计）；每次修整调用最多 20 个点，且至少有一个点或一个框。
• 框和点的坐标须为非负数，并位于图片之内。
• 图片限制：详见图片。所有坐标均为摆正后的原图的像素。多边形和框使用图片像素。按需返回的蒙版位于长边不超过 options.maskSize（默认 2048 px）的网格上：应按 mask.size 缩放。
• 延迟：Playground 录制的调用中，timing.processingMs 约为 180 ms。该数值取决于图片、排队情况和节点负载，不作保证。