近期在视频实例分割（VIS）领域的进展主要得益于使用了更深且对数据需求更高的基于 Transformer 的模型。然而，视频掩码的标注工作既繁琐又昂贵，限制了现有VIS数据集的规模和多样性。在这项工作中，我们的目标是消除掩码标注的需求。我们提出了MaskFreeVIS方法，在仅使用目标状态的边界框标注的情况下，实现了具有竞争力的VIS性能。通过引入时间K近邻补丁损失（Temporal KNN-patch Loss，简称TK-Loss），我们充分利用了视频中丰富的时序掩码一致性约束，从而在无需任何标签的情况下提供强大的掩码监督。我们的TK-Loss通过一个高效的补丁匹配步骤，随后进行K近邻选择，实现帧间的一对多匹配。然后，在找到的匹配上施加一致性损失。我们的无掩码目标简单易实现，没有可训练参数，计算效率高，但其性能却超过了基线方法，例如使用最先进的光流技术来强制时序掩码一致性的方法。我们在YouTube-VIS 2019/2021、OVIS和BDD100K MOTS基准上验证了MaskFreeVIS的有效性。结果清楚地表明，我们的方法显著缩小了全监督和弱监督VIS性能之间的差距。我们的代码和预训练模型可在https://github.com/SysCV/MaskFreeVis获取。