缺乏区域级深层语义理解能力尽管如 SAM / SAM 2 等分割模型在目标定位上表现出色，但它们无法解释目标的类别、定义、功能或上下文语义。现有方法局限性明显语义输出有限，仅支持简单标签或简短描述；模态适应性差，往往只能处理图像或视频中的一种；串行设计依赖外部 mask 生成器，计算冗余且对 mask 质量敏感。缺乏高质量细粒度的区域语义数据现有区域级标注数据集粒度粗，不能满足细致语义理解任务的需