现有无训练RVOS方法多采用开环设计，缺乏对初始提示和时序传播的显式验证，导致在遮挡或形变场景下易失效。ReflexTrack通过Mask-guided Spatial Refinement和Video-level Mask Reflection构建闭环反馈，迭代优化空间提示并修复时序错误。实验显示其在Ref-VPS上显著优于基线，但在ReasonVOS上仍有提升空间。注意：该方法依赖强大MLLM，计算成本较高。
本文提出HyperKD框架，通过构建时序和粒度超图显式提取并蒸馏SAM2中的高阶知识，从而训练出在移动端资源受限设备上高效运行的轻量级MobileSAM2模型。在MOSE, DAVIS 2017, LVOS, SA-V-val, SA-V-test五个基准上进行视频分割评测，与FitNets, CIRKD, FAKD等SOTA知识蒸馏方法及轻量级非蒸馏模型对比。在Embodied AI任务（LIBERO-PRO）和TrackAnything (TAM)上验证泛化性。模型架构搜索空间为手动设计，缺乏自动化神经架构搜索的优化保证。仅使用约10%的SA-V数据进行蒸馏训练，虽高效但可能限制对长尾分布
现有视频对象分割方法如SAM2在处理多目标时，计算成本随目标数量线性增长，难以在密集场景中保持实时性。SAM-MT通过解耦全局上下文与个体目标查询，引入稀疏记忆和身份变换器，实现了高效的多目标跟踪与分割。实验显示，在MOSEv2等基准上性能优于SAM2.1-B+，且在10个目标场景下FPS从7.8提升至36.3。需注意，该方法仍为纯视觉架构，极端遮挡下可能存在身份漂移。