导读
提示分割基础模型(Promptable Segmentation Foundation Models)以 Segment Anything Model(SAM)系列为代表,通过点、框或文本等轻量级提示驱动掩码生成,确立了从固定任务到通用交互的分割新范式。然而,自然图像预训练模型在医学影像、伪装检测等垂直领域面临显著的域偏移,导致边界模糊与性能骤降,完全微调的高昂计算成本与灾难性遗忘风险使其难以直接落地。为平衡通用性与特异性,研究重心迅速转向参数高效微调(Parameter-Efficient Fine-Tuning, PEFT)与测试时自适应(Test-Time Adaptation, TTA),通过冻结骨干网络并注入轻量级模块或动态调整参数来桥接域差距。与此同时,自动部署场景下人工提示的缺失催生了自提示生成与提示优化技术,旨在解决无人交互条件下的分割稳定性问题。各路线在表示质量、适应效率与计算成本之间做出了不同取舍,由此形成当前“冻结骨干+轻量适配+自动提示”的多元并存格局。本综述梳理这条从通用交互到垂直适配的因果演进链条,为读者提供一张领域认知地图。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作。
1. 研究背景、问题结构与演进脉络
传统语义分割模型依赖海量像素级标注,且泛化能力受限于训练数据分布,难以应对开放世界中的长尾类别与复杂场景。Segment Anything Model(SAM)的发布打破了这一僵局,其核心贡献在于通过大规模掩码预训练数据集 SA-1B,实现了零样本提示分割(Promptable Segmentation)。该范式将分割任务从“识别特定类别”转化为“根据用户提示生成对应区域”,极大地提升了模型的通用性与交互性。SAM 的架构由图像编码器、提示编码器与掩码解码器组成,其中 ViT 图像编码器占据绝大部分计算资源,负责提取通用视觉特征。这一设计确立了“提示驱动”的基础范式,但也暴露出对人工提示的强依赖以及计算资源消耗巨大的固有缺陷。
随着 SAM2 与 SAM3 的相继发布,问题定义经历了从静态图像到动态视频、从几何提示到语义理解的两次关键变形。SAM2 引入流式记忆机制(Memory Mechanism)与 Hiera 编码器,将提示分割扩展至视频域,解决了跨帧时序一致性问题,但记忆机制的时空冗余带来了新的推理延迟挑战。SAM3 进一步引入文本概念提示(Concept Prompting),支持开放词汇分割,标志着模型从单纯的几何定位向语义理解迈进。然而,这些基础模型在自然图像上表现优异,却在医学影像、红外遥感等特定领域遭遇严重的域偏移(Domain Shift)。例如,在低对比度的伪装目标检测或细微的医学器官分割中,SAM 的零样本泛化能力往往不足以捕捉准确轮廓,边界模糊与背景泄漏问题频发。
面对域偏移,早期尝试通过全量微调(Full Fine-Tuning)注入领域知识,但 SAM 庞大的参数量使得全量微调成本极高,且在数据稀缺的垂直领域极易过拟合,导致灾难性遗忘。这一失败促使研究者转向参数高效微调(PEFT),如 LoRA 与 Adapter,仅训练少量参数而冻结预训练权重。与此同时,自动部署场景下缺乏人工提示的问题日益凸显,尤其是在伪装目标检测中,背景与前景高度相似,人工提示难以准确定位。这催生了自提示生成(Self-Prompting)与提示优化技术,旨在通过模型内部机制合成任务感知提示,解决提示缺失的结构性悖论。此外,SAM 的 ViT 编码器计算量大,难以在移动端或实时系统中部署,模型效率优化(如蒸馏、稀疏化)成为另一条并行主线。
子问题之间存在严格的依赖关系:域偏移适配是基础,若不能有效解决模型在特定领域的性能下降,提示优化与效率优化将失去意义;提示自动化是应用层需求,解决了“模型看哪里”的问题;模型压缩是部署层约束,解决了“模型跑得快不快”的问题。当前领域已形成以“冻结骨干+轻量适配”为主流的技术格局,研究热点集中在如何平衡基础模型的通用性与下游任务的特异性,以及如何在资源受限环境下实现高效推理与实时部署。
2016-2018 年,度量学习与原型网络奠定了少样本学习的基础,但 SAM 的出现将范式推向了提示驱动的新高度。2023 年,SAM1 发布,确立了提示分割的基础范式;同年,LoRA 与 SAM-Adapter 引入,开启了 SAM 垂直领域适配的先河。2024 年,SAM2 将能力扩展至视频领域,MobileSAM 通过架构搜索与知识蒸馏解决了移动端部署瓶颈,DarkSAM 则揭示了模型对微小扰动的脆弱性,推动了安全鲁棒性研究的兴起。2025 年,SAM3 引入文本概念提示,NAS-LoRA 通过神经架构搜索动态分配 LoRA 秩容量,SAM-TTT 采用测试时训练策略增强伪装目标检测泛化能力。2026 年,研究进一步细化,Dual-Adaptive SAM3 设计层级路由的低秩专家层,IP-SAM 在提示空间进行条件化以解决无提示部署问题,Lean-SAM2 提出目标锚定记忆剪枝加速视频分割推理。当前形态下,PEFT、TTA 与提示工程相互交织,共同应对域偏移、提示缺失与计算瓶颈三大核心挑战。
如果用一个核心问题概括该领域,那便是:如何在保持 SAM 预训练通用视觉表征优势的前提下,以最低的计算与数据成本实现特定垂直领域的高精度、自动化分割。
2. 方法体系
2023:LoRA——引入低秩分解矩阵冻结预训练权重,以极小参数量实现模型微调,成为后续SAM适配的核心技术基石
2023:SAM-Adapter——在SAM编码器中插入轻量级适配器模块,解决全量微调的高计算成本问题,开启了SAM垂直领域适配的先河
2024:MobileSAM——通过架构搜索与知识蒸馏将SAM压缩至移动端可部署规模,解决了基础模型在资源受限设备上的部署瓶颈
2024:SAM2——引入流式记忆机制与Hiera编码器,将提示分割扩展至视频域,实现了跨帧的时序一致性与长程依赖建模
2024:DarkSAM——针对SAM提出跨提示通用对抗攻击,揭示了模型对微小扰动的脆弱性,推动了分割模型安全鲁棒性研究的兴起
2025:NAS-LoRA——引入可搜索适配机制,通过神经架构搜索动态分配LoRA秩容量,实现了视觉基础模型参数高效微调的自动化优化
2026:IP-SAM——在提示空间进行条件化,通过自提示生成器合成任务感知提示,解决了无提示部署场景下的结构性悖论
2026:Lean-SAM2——提出目标锚定记忆剪枝与时间压缩机制,通过风险感知路由加速SAM2推理,解决了视频分割中的计算瓶颈
这条时间线勾勒了该领域方法演进的代表性节点:从 2023 年的 LoRA 奠定该领域方法基线,经 2024 年 DarkSAM 的推进,到 2026 年的 Universal Concept Disruption 代表当前前沿。各节点对应的技术路线、取舍与关联,详见后续小节。
2.1 参数高效适配
参数高效适配(PEFT)路线的起源可追溯至 2023 年 LoRA 的引入,其核心思想是通过低秩分解矩阵冻结预训练权重,以极小参数量实现模型微调。SAM-Adapter 随后在 SAM 编码器中插入轻量级适配器模块,进一步验证了冻结骨干、注入领域知识的有效性。这一路线的核心假设是预训练编码器已包含足够的通用视觉特征,仅需轻量适配即可迁移,代价是适配能力受限于低秩矩阵的表达能力。
SAM3-UNet(Xiong et al., 2025, P13)针对 SAM3 在下游任务中细节丢失的问题,在 ViT 风格图像编码器中插入可学习的适配器模块,并引入轻量级 U-Net 风格解码器处理高分辨率特征。该设计通过瓶颈结构实现参数高效微调,避免了全量微调的高昂计算成本,特别适用于需要高精度边界分割的场景。NAS-LoRA(Chen et al., 2025, P14)则针对固定秩 LoRA 带来的过拟合或欠拟合风险,引入神经架构搜索机制,动态决定每个 Transformer 层中 LoRA 的秩容量与激活模式。该方法牺牲了部分推理速度以换取更优的参数效率与泛化能力,依赖于搜索过程的计算开销。
Dual-Adaptive SAM3(Chen et al., 2026, P36)进一步将混合专家(MoE)机制引入 SAM3 的概念条件化过程,通过动态专家路由器(DER)和分解参数化专家(DPE)实现上下文感知的特征特化。该方法解决了单一适配器难以处理复杂解剖结构的问题,代价是引入了路由机制的额外计算与训练不稳定性风险。SAM3-LoRA(Malaisree et al., 2026, P42)则验证了 PEFT 在开放词汇分割任务中的有效性,针对 SAM3 的概念提示能力,应用低秩适配技术实现多类结构缺陷分割,无需重新训练整个模型即可适应新类别。SAMora(Chen et al., 2025, P8)采用两阶段自监督预训练策略,提出层级 LoRA 注意力(HL-Attn)机制,融合图像级、补丁级与像素级的 LoRA 专家特征,增强了 SAM 对医学图像复杂纹理的理解能力。BALR-SAM(Liu et al., 2025, P5)引入边界感知低秩适配,结合互补细节增强网络(CDEN)生成边界敏感特征,解决了 SAM 在低对比度医学图像中边界丢失的问题。TopoLoRA-SAM(Khazem, 2026, P20)提出拓扑感知参数高效适配,通过拓扑约束损失惩罚掩码中的拓扑错误,确保细结构的连通性。Dual Adapters SAM2(Mitsuoka and Hotta, 2026, P30)设计双适配器架构,分别适配 SAM2 的图像编码器与掩码解码器,实现了生物医学语义分割的提示无关自动分割。
PEFT 路线与提示工程路线存在互补关系:PEFT 解决“模型懂不懂”的问题,通过内部参数调整增强领域知识;提示工程解决“模型看哪里”的问题,通过输入端优化提升分割精度。在医学分割中,PEFT 往往优于纯提示优化;在伪装检测中,自提示生成是突破瓶颈的关键。
2.2 提示工程优化
提示工程优化路线旨在解决自动部署场景下人工提示缺失的问题,以及提升提示质量对分割结果的贡献。早期研究依赖启发式提示生成,但缺乏语义准确性与鲁棒性。Point Prompt Defender(Liu et al., 2025, P4)构建基于对抗强化学习的点提示优化框架,通过攻击者代理与防御者代理的博弈自动寻找最优提示位置,解决了启发式提示生成的局限性。该方法将提示优化建模为对抗博弈,提升了 SAM 在复杂场景下的稳定性。
IP-SAM(Zhang et al., 2026, P26)提出提示空间条件化方法,通过自提示生成器(SPG)合成密集内在提示,并利用提示空间门控(PSG)抑制背景干扰。该方法在 SAM2 的原生提示接口中注入任务感知提示,解决了无提示部署场景下解码器依赖提示信号的结构性悖论,实现了完全自动化的伪装目标检测。PR-MaGIC(Lee et al., 2026, P29)提出基于掩码解码器梯度流的提示精炼框架,通过迭代更新查询嵌入并重新采样提示,实现训练无关的测试时优化。SPARK-SAM(Mao et al., 2026, P40)提出自提示适配与响应知识机制,通过闭环图像-提示-掩码过程,解决了红外小目标分割中提示缺失的问题。CPS(Nie et al., 2026, P23)提出条件点稀疏化策略,通过密集点匹配、边界点修剪与自适应稀疏化,在跨域少样本分割中动态生成最优提示点集。GrC-SAM(Yu et al., 2025, P11)提出粒度计算驱动的 SAM,通过嵌入掩码生成器模块利用多层注意力特征自动生成潜在掩码提示,实现了提示生成与分割预测的端到端统一。CLIP-Guided SAM(Jalilian and Bais, 2026, P34)提出参数高效语义条件化方法,利用 CLIP 对齐图像与文本嵌入,为 SAM 提供语义引导以解决类无关问题。Textual Prompting SAM3(Blushtein-Livnon et al., 2025, P16)研究文本提示在 SAM3 遥感分割中的有效性,通过轻量级微调优化文本提示与视觉特征的对齐。
提示工程路线与 PEFT 路线在解决“自动化”与“精度”的权衡上存在竞争与互补。PEFT 提供稳定的内部表示调整,而提示工程提供灵活的输入端优化。在低显著性场景中,自提示生成是必要妥协;在常规场景中,人工提示仍占优。
2.3 测试时自适应
测试时自适应(TTA)路线旨在应对动态分布漂移,利用自监督、证据推理或主动学习策略,在推理阶段动态调整模型以应对域偏移。BA-TTA-SAM(Xu et al., 2025, P15)提出边界感知测试时自适应,通过编码器级高斯提示注入与跨层边界对齐,在零样本医学分割中动态修正域偏移。SAM-TTT(Yu et al., 2025, P1)采用反向参数配置与测试时训练策略,通过并行设计削弱不利知识并增强有利知识,提升 SAM 在伪装目标检测中的泛化能力。Concept Alignment Contrast(Zhou et al., 2026, P35)提出概念对齐对比与长短期提示记忆机制,在 SAM3 医学分割中实现单步提示更新,应对连续数据流的分布漂移。Unbiased Semantic Decoding(Wang et al., 2025, P9)提出无偏语义解码方法,利用 CLIP 语义引导增强 SAM 特征区分能力,并通过多模态目标提示交互解决类偏差问题。UncertSAM(Brouwers et al., 2025, P19)提出不确定性引导的域无关分割框架,通过基准构建、不确定性估计与精炼,提升 SAM 在复杂视觉条件下的鲁棒性。When Adaptation Hurts(Haralović et al., 2026, P41)分析 MedSAM 微调中的表示漂移问题,揭示微调对 OOD 泛化的负面影响,强调了保留预训练表示的重要性。
TTA 路线与 PEFT 路线在“静态适配”与“动态自适应”的边界上存在分歧。PEFT 提供稳定、可预测的性能,适合固定数据集部署;TTA 灵活应对分布漂移,适合连续数据流。在模拟连续数据流的实验中,TTA 方法表现更优;在固定数据集上,PEFT 方法 SOTA 性能更高。
2.4 模型效率优化
模型效率优化路线旨在降低 SAM 庞大的计算资源需求,推动其在移动端及实时场景的部署。SparseSAM(Tran et al., 2026, P32)提出结构化激活稀疏化技术,通过稀疏注意力与 MLP 层压缩 SAM 模型,在保持精度的同时显著降低推理延迟。Efficient-SAM2(Zhang et al., 2026, P24)提出对象感知视觉编码与记忆检索机制,通过窗口注意力与记忆压缩加速 SAM2 视频分割推理。Lean-SAM2(Ouyang et al., 2026, P38)提出目标锚定记忆剪枝、时间压缩与风险感知路由机制,通过多策略协同加速 SAM2 推理。EfficientSAM3(Zeng et al., 2025, P10)采用渐进式层级蒸馏策略,从 SAM1、SAM2 与 SAM3 中提取知识,实现视频概念分割的高效推理。MobileSAM2(Jiang et al., 2026, P37)提出 HyperKD 与架构搜索策略,将 SAM2 压缩至移动端可部署规模。StructSAM(Nguyen et al., 2026, P25)提出结构与频谱保持令牌合并技术,通过保留关键令牌与频谱信息压缩 SAM 模型。Tiny-YOLOSAM(Xu and Wu, 2025, P18)提出 YOLO 与 TinySAM 混合架构,通过单遍检测器引导分割,实现快速全场景分割。AdaLoRA-QAT(Deb et al., 2026, P27)提出自适应低秩与量化感知训练框架,通过动态秩分配与量化优化,实现胸部 X 光肺野分割的高效部署。
模型效率优化路线与 PEFT 路线存在协同关系:PEFT 降低训练成本,效率优化降低推理成本。两者共同推动 SAM 从云端走向边缘,实现实时部署。
2.5 安全鲁棒性评估
安全鲁棒性评估路线关注 SAM 系列模型在对抗攻击、后门植入及分布外数据下的脆弱性。Vanish into Thin Air(Zhou et al., 2025, P7)提出跨提示通用对抗攻击,针对 SAM2 的记忆机制设计扰动,揭示视频分割模型对首帧扰动的脆弱性。Universal Concept Disruption(Wang et al., 2026, P39)针对 SAM3 提出通用概念破坏攻击,揭示开放词汇分割在对抗扰动下的系统性失效。Backdoor Attacks on VSFMs(Zhang et al., 2025, P17)提出针对提示驱动视频分割基础模型的后门攻击,揭示模型在数据投毒下的脆弱性。SegTrans(Song et al., 2025, P6)提出可迁移对抗样本生成框架,提升对抗样本在不同分割模型间的迁移能力。BREPS(Moskalenko et al., 2026, P21)构建边界框鲁棒性评估基准,量化提示偏差对分割性能的影响。RUAC(Zhou et al., 2026, P31)提出鲁棒不确定性-精度相关性框架,通过贝叶斯解码器与对抗不确定性估计,校准模型在域偏移下的置信度。OccSAM-Bench(Ho et al., 2026, P28)构建遮挡鲁棒性基准,评估基础分割模型在遮挡场景下的性能。
安全鲁棒性评估路线与其他路线存在互补关系:PEFT 与 TTA 提升性能,安全评估确保可靠性。在安全关键应用中,不确定性估计和鲁棒性评估对于确保分割可靠性至关重要。
3. 关键共识、分歧与开放问题
3.1 领域共识
完全微调 SAM 计算成本高昂且易过拟合,参数高效微调(PEFT)如 LoRA 和 Adapter 是适配下游任务的主流且有效的方法。这一共识在多个基准上被反复验证:Dual Adapters SAM2 在 Kvasir-SEG 上的 92.65 与 SAMora 在 Synapse 上的 84.34 均大幅超越原始 SAM 的零样本表现,且显著优于全量微调的基线。PEFT 通过冻结骨干网络并注入轻量级模块,有效缓解了灾难性遗忘,保留了预训练通用知识。与此相关的另一个共识是 SAM 在自然图像上表现优异,但在医学影像、伪装检测等特定领域存在显著的域偏移问题,需要额外的适配机制。COD10K 上 IP-SAM 的 89.50 与 ISIC17 上 Dual Adapters SAM2 的 88.45 均表明,未经适配的 SAM 在低对比度、非显著场景下性能骤降,而 PEFT 与 TTA 方法能有效桥接域差距。
提示(Prompt)的质量对分割结果至关重要,自动提示生成或优化是提升 SAM 在无人交互场景下性能的关键。CPS 在 PASCAL-5i 上的 44.10 与 PR-MaGIC 在少样本分割中的表现均表明,精心设计的提示优化策略能显著提升分割精度。SAM 的图像编码器(Image Encoder)占据了绝大部分计算资源,是模型压缩和加速的主要瓶颈。SparseSAM 与 Lean-SAM2 在 SA-V 上的 92.50 与 92.10 均表明,针对编码器的稀疏化与记忆剪枝能有效降低推理延迟,同时保持精度。结合视觉语言模型(如 CLIP)的语义信息可以增强 SAM 的语义理解能力,特别是在少样本和开放词汇分割任务中。Unbiased Semantic Decoding 在 COCO-20i 上的 42.50 与 CLIP-Guided SAM 在 COD10K 上的 88.80 均验证了 CLIP 语义引导的有效性。
3.2 观点分歧
静态 PEFT 与动态 TTA 的边界是当前领域最核心的分歧。PEFT 提供稳定、可预测的性能,适合固定数据集部署;TTA 灵活应对分布漂移,适合连续数据流。现有证据偏向场景依赖:在 Synapse 等固定数据集上,PEFT 方法(如 Dual Adaptive SAM3 的 83.20)SOTA 性能更高;在模拟连续数据流的实验中,TTA 方法(如 Concept Alignment Contrast)表现更优。分歧根源在于缺乏标准化的持续学习评测协议,且 TTA 的推理开销在实时系统中难以量化权衡。这一分歧的背后,是另一个更根本的争论:自提示生成的精度上限能否替代人工提示。自提示(IP-SAM/SPARK-SAM)是自动化部署的必要手段,精度可接受;人工提示精度上限更高,但无法自动化。在 COD10K 伪装检测中,自提示方法(IP-SAM 89.50)已接近甚至超过部分人工提示基线,但在高精度医学分割(如 ISIC17)中,自提示精度仍低于精心选择的人工提示。分歧根源在于自提示生成器对背景干扰敏感,缺乏通用的“提示质量”评估指标,难以量化其与人工提示的差距。
PEFT 模块的位置(编码器 vs 解码器 vs 全链路)是另一重要分歧。编码器适配(LoRA)保留通用特征,计算高效;解码器适配(Adapter)增强细节捕捉,适合高分辨率任务;全链路适配(Dual-Adaptive)协同优化,但训练复杂。在细结构分割(如血管)中,解码器适配或全链路适配(如 BALR-SAM 的 87.90)表现优于纯编码器适配;在少样本分割中,编码器适配结合 CLIP 语义引导更优。分歧根源在于不同任务对特征层级(语义 vs 细节)的需求不同,缺乏统一的模块选择理论指导。
3.3 其他开放问题
最紧迫的工程问题是模型压缩与精度保持的平衡。SparseSAM 与 MobileSAM2 在 SA-V 上的 92.50 与 91.80 表明,稀疏化与架构搜索能有效降低推理延迟,但可能损失部分细粒度信息。关键困难在于如何自适应地分配秩和参数容量,潜在路径包括结合神经架构搜索(NAS)和量化感知训练(QAT)以实现动态参数分配。最根本的研究问题是跨域和少样本场景下的泛化能力。现有模型在域偏移和少样本设定下性能下降明显,缺乏有效的跨域知识迁移机制。关键困难在于如何在不增加额外骨干网络的情况下捕捉域不变特征,潜在路径包括利用视觉基础模型(如 DINOv2)的特征对齐和原型学习。医学图像分割中的持续学习与灾难性遗忘是另一开放问题。在连续学习新任务时,模型容易遗忘旧任务知识。关键困难在于如何在有限内存和计算资源下平衡可塑性与稳定性,潜在路径包括引入示例无关的持续学习框架和动态路由机制。视频分割中的实时性与内存效率是工程与研究交织的问题。SAM2 等视频模型在长视频处理中面临内存爆炸和延迟问题。关键困难在于如何压缩记忆模块并加速推理,潜在路径包括记忆令牌压缩、稀疏注意力机制和知识蒸馏。对抗鲁棒性与安全性是安全关键应用的瓶颈。SAM 系列模型对对抗攻击和后门攻击脆弱,缺乏有效的防御机制。关键困难在于如何在不牺牲正常性能的前提下提升鲁棒性,潜在路径包括对抗训练、不确定性估计和提示空间防御。
已知—争议—未知认知图谱显示:PEFT 有效性、域偏移存在性、提示质量重要性是已知共识;静态 PEFT vs 动态 TTA、自提示 vs 人工提示、PEFT 模块位置是争议焦点;跨域不变特征捕捉、持续学习灾难性遗忘机制、对抗鲁棒性理论边界是未知领域。发展趋势将从单一模块优化转向系统级协同,结合 LLM/VLM 的多模态提示生成与基于 NAS 的动态 PEFT 参数分配将成为突破方向。
4. 总结与展望
SAM 系列模型的演进本质上是通用视觉表征与垂直领域特异性之间不断寻求平衡的过程。核心矛盾在于:预训练模型的通用性与下游任务的特异性之间存在张力,完全微调成本高昂且易过拟合,而零样本泛化能力在垂直领域不足。尝试过的路线包括 PEFT(LoRA/Adapter/MoE)、TTA(自监督/梯度流/对比学习)、提示工程(自提示/对抗优化/语义引导)与模型效率优化(稀疏化/蒸馏/量化)。核心瓶颈在于如何在资源受限下实现语义、视觉与时序的联合自适应,以及如何在保持预训练通用知识的同时注入领域特异性。回扣第 1 章锚点句,当前领域已形成“冻结骨干+轻量适配+自动提示”的技术格局,但跨域泛化、持续学习与对抗鲁棒性仍是未解之题。
未来可能突破的方向包括:结合神经架构搜索(NAS)和量化感知训练(QAT)的动态 PEFT 参数分配,NAS-LoRA(P14)与 AdaLoRA-QAT(P27)共同指向这一方向;利用视觉基础模型(如 DINOv2)的特征对齐和原型学习实现跨域不变特征捕捉,Unbiased Semantic Decoding(P9)与 CLIP-Guided SAM(P34)共同指向这一方向;基于 LLM/VLM 的多模态提示生成,Textual Prompting SAM3(P16)与 SPARK-SAM(P40)共同指向这一方向。对进入者最值得做的一件事是:在统一骨干与统一预训练条件下,构建标准化的持续学习评测协议,量化静态 PEFT 与动态 TTA 在不同漂移强度下的性能边界,为自适应策略设计提供理论指导。
以上为节选,完整内容见ArxivReview