Sa2VA는 SAM2의 픽셀 단위 세그멘테이션 능력과 LLaVA 계열 비전-언어 모델을 결합해, 이미지와 비디오를 픽셀 수준까지 정밀하게 이해하는 멀티모달 대규모 언어 모델(MLLM)입니다. 단순한 이미지 설명을 넘어 참조 세그멘테이션, 그라운디드 대화, 비디오 객체 추적처럼 언어 지시에 따라 특정 대상을 픽셀 마스크로 지목하는 밀집 그라운딩 태스크를 하나의 모델로 처리합니다. Sa2VA 본체와 함께 SAMTok, VRT, SaSaSa2VA 등 관련 연구 코드가 공개되어 있으며, LSVOS 비디오 객체 세그멘테이션 챌린지 1위 솔루션의 기반이 되었습니다.