¿Qué es SAM 3 (Segment Anything Model 3)?
SAM 3 es el tercer Segment Anything Model de Meta, publicado el 19 de noviembre de 2025 con pesos, código, scripts de ajuste fino y un nuevo benchmark. Las versiones anteriores contorneaban un objeto cada vez a partir de un clic o un cuadro. SAM 3 añade lo que Meta llama segmentación de conceptos mediante prompts: le das una frase nominal corta como "a hardcover book" o un cuadro de ejemplo, y devuelve una máscara, un cuadro y una puntuación para cada objeto que coincida en una imagen, y los sigue a lo largo de un vídeo.
Tiene 848 millones de parámetros repartidos entre un detector al estilo DETR condicionado por texto, cuadros e imágenes de ejemplo, y un rastreador heredado de SAM 2, que comparten un mismo codificador visual. Un "presence token" decide primero si el concepto está en el fotograma, lo que ayuda con frases casi iguales como "a player in white" frente a "a player in red". Meta construyó el conjunto de entrenamiento con un motor de datos de personas e IA que etiquetó más de 4 millones de conceptos únicos.
El 27 de marzo de 2026 Meta publicó SAM 3.1 como sustituto directo, con Object Multiplex, que sigue hasta 16 objetos en una sola pasada. SAM 3 funciona dentro de la aplicación Edits de Instagram y de la función View in Room de Facebook Marketplace. Los pesos tienen la SAM License propia de Meta, que sustituye a la licencia Apache 2.0 de SAM y SAM 2.
¿Merece la pena SAM 3 (Segment Anything Model 3)?
SAM 3 es el modelo abierto a batir para encontrar y contornear cosas por su nombre. En el benchmark de imágenes SA-Co/Gold de Meta obtiene un cgF1 de 54,1 en máscaras de instancia, frente a 24,6 de OWLv2, 21,3 de DINO-X y 13,0 de Gemini 2.5, y en detección de cuadros supera por poco a DINO-X en COCO, 53,6 de AP frente a 52,4. En máscaras de LVIS llega a 48,5 de AP frente a 43,4 de OWLv2. SA-Co es el propio conjunto de prueba de Meta, con 270.000 conceptos, así que sus mayores márgenes llegan en casa; los resultados de LVIS y COCO son en benchmarks públicos.
La distancia con las personas sigue siendo amplia. Los anotadores humanos obtienen 72,8 en las mismas máscaras de SA-Co/Gold, así que SAM 3 queda en torno a tres cuartas partes del nivel humano, que es la propia descripción de Meta. El vídeo es más difícil: en la prueba SA-V llega a 30,3 de cgF1 frente a 53,1 de las personas, y en grabaciones de SmartGlasses a 36,4 frente a 58,5. Para el etiquetado en producción es una primera pasada sólida, no un sustituto de la revisión.
Sus prompts son simples a propósito. Meta dice que SAM 3 entiende frases cortas como "a hardcover book" pero no "the second to last book from the right on the top shelf"; las peticiones más largas o que exigen razonamiento necesitan SAM 3 Agent, un esquema en el que un modelo de lenguaje multimodal divide la petición en frases cortas y comprueba las máscaras devueltas. En vídeo, cada objeto seguido costaba una pasada aparte en la versión original, lo que lo mantenía cerca del tiempo real solo con unos cinco objetos. SAM 3.1 lo resuelve: Meta comunica que el rendimiento se duplica de 16 a 32 fotogramas por segundo en una H100 con un número medio de objetos y que se acelera unas 7 veces con 128 objetos.
La licencia es el principal paso atrás. SAM y SAM 2 eran Apache 2.0; SAM 3 exige un registro con acceso restringido con nombre, fecha de nacimiento y afiliación, prohíbe los usos militares y relacionados con ITAR y la ingeniería inversa, y exige que los artículos de investigación lo citen. El uso comercial está permitido, y casi 1,9 millones de descargas en Hugging Face en los últimos 30 días indican que a pocos les ha echado atrás.
Dónde se gana su sitio
Un ingeniero de ML en una empresa de robótica para almacenes que prepara datos de entrenamiento
Etiquetar cada palé, carretilla y persona en miles de horas de vídeo
Da a SAM 3.1 una frase corta por clase y deja que el rastreador siga cada objeto a lo largo del clip, y después haz que los anotadores corrijan las máscaras. Las propias cifras de Meta sitúan la precisión en vídeo muy por debajo del nivel humano, así que presupuesta la revisión en lugar de aceptar la salida en bruto.
Una responsable de visión por ordenador en una startup agrícola que detecta enfermedades de cultivos
Detectar un concepto de nicho que los prompts sin entrenamiento previo no encuentran
Ajústalo a partir del checkpoint base con el código de Meta o en Roboflow, que entrena con un dataset de segmentación de instancias a 1008 por 1008 píxeles. Roboflow aconseja ajustarlo solo cuando los prompts sin entrenamiento fallan con clases propias del dominio.
Un desarrollador en una aplicación de edición de fotos con 20 ingenieros
Permitir a los usuarios seleccionar "el cielo" o "todas las personas" escribiéndolo
Ejecuta SAM 3 en el servidor para devolver una máscara por objeto coincidente en unos 30 ms por imagen en una H200, y después pasa la máscara a las herramientas de edición de la aplicación; SAM 3 contornea pero no modifica píxeles. Revisa con el equipo legal las condiciones de la SAM License antes de lanzarlo, porque ya no es Apache 2.0.
Antes de decidirte
- Puesta en marcha
- Solicita acceso en Hugging Face e inicia sesión con un token, después instala el paquete de GitHub con Python 3.12+, PyTorch 2.7+ y CUDA 12.6+; Transformers también lo carga. Hay notebooks para prompts en imagen y vídeo, inferencia por lotes y SAM 3 Agent.
- Integraciones
- Hugging Face Transformers, el Segment Anything Playground de Meta y Roboflow para anotación, ajuste fino, inferencia alojada y etiquetado automático. SAM 3 Agent lo conecta a un modelo de lenguaje multimodal para prompts complejos.
- Datos y privacidad
- Autoalojado, las imágenes y el vídeo se quedan en tu hardware. La SAM License permite el uso comercial pero prohíbe los usos militares, los relacionados con ITAR y otros sujetos a control comercial, así como la ingeniería inversa, y el acceso restringido recoge nombre, fecha de nacimiento, país y afiliación según la política de privacidad de Meta.
- Coste a escala
- Con 848M de parámetros basta una GPU de centro de datos para servirlo; Meta comunica 30 ms por imagen con más de 100 objetos en una H200, y SAM 3.1 a 32 fotogramas por segundo en una H100 con un número medio de objetos. El precio alojado de Roboflow sigue sus propios planes.
- Límites
- Los prompts deben ser frases nominales cortas o cuadros de ejemplo; en la versión original la latencia en vídeo crece linealmente con el número de objetos seguidos. Los resultados del benchmark SA-Co de Meta son propios, y los anotadores humanos siguen puntuando unos 19 puntos más en imágenes.
Lo bueno
- 54,1 de cgF1 en SA-Co/Gold, más del doble que OWLv2 y DINO-X (Meta)
- Detecta, segmenta y sigue cada instancia de una frase de texto
- 30 ms por imagen con más de 100 objetos en una H200 (Meta)
- Código de ajuste fino publicado; Roboflow permite entrenar con datos propios
Lo malo
- En torno a tres cuartas partes de la precisión humana; en vídeo, bastante menos
- Solo frases nominales cortas; las consultas complejas necesitan un modelo de lenguaje adicional
- La SAM License sustituye a Apache 2.0, con registro restringido y restricciones de uso
- Necesita una GPU con CUDA; antes de SAM 3.1, el coste en vídeo crece con el número de objetos
Ideal para
Equipos de visión por ordenador que necesitan máscaras o cuadros de objetos nombrados en imágenes y vídeo sin entrenar un detector para cada clase.
Alternativas a SAM 3 (Segment Anything Model 3)
SAM 3 (Segment Anything Model 3): preguntas frecuentes
- ¿Merece la pena SAM 3 (Segment Anything Model 3)?
- SAM 3 convierte "contornea todas las carretillas de este vídeo" en un solo prompt, con más del doble de precisión que los detectores de vocabulario abierto anteriores, aunque todavía muy por debajo de un etiquetador humano. Le damos un 4.4 sobre 5.
- ¿Cuánto cuesta SAM 3 (Segment Anything Model 3)?
- Gratuito con la SAM License tras un registro con acceso restringido en Hugging Face; uso comercial permitido con restricciones militares, de ITAR y de ingeniería inversa. El uso alojado a través de Roboflow se factura según los planes de Roboflow.
- ¿Qué inconvenientes tiene SAM 3 (Segment Anything Model 3)?
- En torno a tres cuartas partes de la precisión humana; en vídeo, bastante menos; solo frases nominales cortas; las consultas complejas necesitan un modelo de lenguaje adicional; la SAM License sustituye a Apache 2.0, con registro restringido y restricciones de uso; necesita una GPU con CUDA; antes de SAM 3.1, el coste en vídeo crece con el número de objetos.
- ¿Para quién es SAM 3 (Segment Anything Model 3)?
- Equipos de visión por ordenador que necesitan máscaras o cuadros de objetos nombrados en imágenes y vídeo sin entrenar un detector para cada clase.
- ¿Cuánto cuesta SAM 3 (Segment Anything Model 3) para un equipo o en producción?
- Con 848M de parámetros basta una GPU de centro de datos para servirlo; Meta comunica 30 ms por imagen con más de 100 objetos en una H200, y SAM 3.1 a 32 fotogramas por segundo en una H100 con un número medio de objetos. El precio alojado de Roboflow sigue sus propios planes.
- ¿Es SAM 3 (Segment Anything Model 3) seguro para los datos de la empresa?
- Autoalojado, las imágenes y el vídeo se quedan en tu hardware. La SAM License permite el uso comercial pero prohíbe los usos militares, los relacionados con ITAR y otros sujetos a control comercial, así como la ingeniería inversa, y el acceso restringido recoge nombre, fecha de nacimiento, país y afiliación según la política de privacidad de Meta.
- ¿Cuáles son las mejores alternativas a SAM 3 (Segment Anything Model 3)?
- Las alternativas más cercanas que hemos analizado son Gemini 3.8 Flash y MiniCPM-V 4.7 (35B-A3B and 1B).
Respuestas comprobadas el 2 nov 2026.
¿Desarrollas SAM 3 (Segment Anything Model 3)? Muestra esta nota en tu web
