Seg-Zero 是论文《Seg-Zero: Reasoning-Chain Guided Segmentation via Cognitive Reinforcement》的官方实现，同时该仓库也是《VisionReasoner: Unified Visual Perception and Reasoning via Reinforcement Learning》的官方训练代码。
用途方面，Seg-Zero 专注于推理链引导的图像分割任务。其核心特点是让模型在生成最终分割掩码之前，先生成一段推理链，从而展现出测试时涌现的推理能力。模型完全使用强化学习训练，没有显式的监督推理数据。与监督微调相比，Seg-Zero 在域内和域外数据上均取得了更优性能。
主要能力包括：支持推理链生成并输出思考过程；采用解耦架构，包含推理模型和分割模型，并设计了融合格式奖励与准确率奖励的复杂奖励机制；基于 EasyR1 和 veRL，支持采样时模型拆分，更节省 GPU 显存；支持 Qwen2-VL 和 Qwen2.5-VL 系列模型；已实现目标检测和分割中常用的奖励，如 IoU 奖励和 L1 奖励。后续发布 VisionReasoner，支持多目标和多任务。
使用方式上，用户可从 Hugging Face 下载预训练模型（如 Seg-Zero-7B、VisionReasoner-7B），若连接 Hugging Face 遇到问题可设置 export HF_ENDPOINT=https://hf-mirror.com。然后运行推理脚本，默认问题为“What can I have if I'm thirsty?”，命令行会输出思考过程，掩码会保存在 inference_scripts 文件夹中。用户也可以自定义 image_path 和 text。评估时需根据 GPU 调整 bash 脚本中的 --batch_size，命令行会显示 gIoU。训练方面推荐 7B 模型使用 4x80G GPU 服务器或 8x46G GPU 服务器。训练数据包括 MultiObject-1K 和 MultiObject-7K，可通过脚本下载。若显存较低，可调整图像尺寸并重新计算对应的 bbox 或点坐标，同时更改评估和推理中的 resize_size。训练脚本可启动 GRPO 训练，并可根据显存调整超参数。此外还支持将检查点合并为 Hugging Face 格式，以及构建自定义训练数据。
适用场景包括需要可解释分割推理的视觉理解与推理研究，以及多目标、多任务的视觉感知与推理实验。
限制方面：项目提示某些操作具有风险，修改代码前需确保已备份；训练对 GPU 显存有要求，较低显存时需要调整配置；Seg-Zero 的最佳结果在不同基准上使用不同检查点评估，而 VisionReasoner 是在单一检查点内评估，建议用户在同一模型上评估所有基准以进行比较。其他如收费、价格、具体平台支持等细节暂未提供。
