Count Anything模型发布：用文本提示即可精准计数图像中任意物体，错误率减半

一句话看懂

Count Anything 是首个通过文本提示即可计数任意图像中物体数量的 AI 模型，测试中错误率比此前系统降低一半。

详细发生了什么

2026年6月，一个名为”Count Anything”的新AI模型正式发布。该模型由研究团队开发，旨在解决计算机视觉中的一个长期难题：让AI像人类一样，仅凭一句自然语言指令（如”数一下这张照片里有多少人”）就能准确统计图像中特定物体的数量。

与传统的物体检测加计数方法不同，Count Anything不需要预先训练特定类别，而是通过文本prompt动态理解用户想要计数的对象。在官方公布的对比测试中，Count Anything在多个基准数据集上的平均计数错误率仅为此前最佳系统的50%，尤其在稀疏场景（如少量人群、桌面物品）中表现突出。

不过，该模型目前仍存在明显局限：当图像中物体极度密集（如密密麻麻的细胞样本）或用户使用模糊描述（如”数一下那些东西”）时，准确率会显著下降。团队表示，后续将通过扩大训练数据和改进注意力机制来优化。

中文圈视角

Count Anything 对中文用户的实际价值主要体现在两个场景：

1. 科研与医疗：国内高校和医院经常需要统计显微镜下的细胞数量、菌落数量等。此前常用ImageJ等传统工具，需要手动标注或编写脚本。Count Anything的文本prompt方式可以大幅降低操作门槛，但需注意模型目前仅支持英文prompt，中文prompt效果未知，且数据可能需上传至海外服务器，涉及数据出境合规问题。

2. 电商与物流：国内仓库盘点、货架商品计数等场景有强烈需求。目前国内已有类似产品如百度飞桨的PP-OCR和华为云ModelArts的物体计数功能，但多依赖定制化训练。Count Anything的零样本能力是差异化优势，但国内用户可能需要通过API调用，存在延迟和成本问题。

一个尚未被中文圈广泛讨论的盲点是：Count Anything的计数能力与多模态大模型（如GPT-4V、Qwen-VL）的计数能力对比如何？后者也能通过对话完成类似任务，但专门化模型在精度和效率上可能更优。

几条值得记住的细节

• Count Anything 是首个通过文本prompt实现任意物体计数的AI模型，无需预训练类别。
• 在对比测试中，错误率仅为此前最佳系统的一半，尤其在稀疏场景表现优异。
• 模型在极度密集物体（如细胞样本）和模糊描述时准确率下降，团队计划后续优化。
• 目前仅支持英文prompt，中文支持情况未知。
• 模型可能通过API提供服务，国内用户需注意数据出境合规。

一句话总结

Count Anything 让图像计数像聊天一样简单，但中文用户需权衡精度、合规与成本。