Qu’est-ce que SAM 3 (Segment Anything Model 3) ?
SAM 3 est le troisième Segment Anything Model de Meta, sorti le 19 novembre 2025 avec les poids, le code, des scripts de fine-tuning et un nouveau benchmark. Les versions précédentes détouraient un objet à la fois à partir d'un clic ou d'une boîte. SAM 3 ajoute ce que Meta appelle la segmentation de concepts par prompt : donnez-lui un court groupe nominal comme « a hardcover book » ou une boîte d'exemple, et il renvoie un masque, une boîte et un score pour chaque objet correspondant dans une image, et les suit dans une vidéo.
Il compte 848 millions de paramètres répartis entre un détecteur de type DETR conditionné par du texte, des boîtes et des images d'exemple, et un tracker hérité de SAM 2, qui partagent un même encodeur visuel. Un « presence token » décide d'abord si le concept est présent dans l'image, ce qui aide avec des expressions proches comme « a player in white » face à « a player in red ». Meta a construit le jeu d'entraînement avec un moteur de données humain et IA qui a étiqueté plus de 4 millions de concepts uniques.
Le 27 mars 2026, Meta a publié SAM 3.1 comme remplacement direct, avec Object Multiplex qui suit jusqu'à 16 objets en un seul passage. SAM 3 tourne dans l'application Edits d'Instagram et dans la fonction View in Room de Facebook Marketplace. Les poids sont sous la SAM License propre à Meta, qui remplace la licence Apache 2.0 de SAM et SAM 2.
SAM 3 (Segment Anything Model 3) vaut-il le coup ?
SAM 3 est le modèle ouvert à battre pour trouver et détourer des choses par leur nom. Sur le benchmark d'images SA-Co/Gold de Meta, il obtient un cgF1 de 54,1 pour les masques d'instances, contre 24,6 pour OWLv2, 21,3 pour DINO-X et 13,0 pour Gemini 2.5, et en détection de boîtes il devance de peu DINO-X sur COCO, 53,6 d'AP contre 52,4. Sur les masques LVIS, il atteint 48,5 d'AP contre 43,4 pour OWLv2. SA-Co est le propre jeu de test de Meta, avec 270 000 concepts, si bien que ses plus grandes avances se font à domicile ; les résultats LVIS et COCO portent sur des benchmarks publics.
L'écart avec les humains reste large. Les annotateurs humains obtiennent 72,8 sur les mêmes masques SA-Co/Gold, si bien que SAM 3 se situe à environ trois quarts du niveau humain, ce qui est la description de Meta elle-même. La vidéo est plus difficile : sur le test SA-V, il atteint 30,3 de cgF1 contre 53,1 pour un humain, et sur des séquences SmartGlasses 36,4 contre 58,5. Pour l'annotation en production, c'est un premier passage solide, pas un remplacement de la relecture.
Ses prompts sont volontairement simples. Meta indique que SAM 3 gère des expressions courtes comme « a hardcover book » mais pas « the second to last book from the right on the top shelf » ; les demandes plus longues ou qui demandent du raisonnement exigent SAM 3 Agent, un schéma dans lequel un modèle de langage multimodal découpe la demande en expressions courtes et vérifie les masques renvoyés. En vidéo, chaque objet suivi demandait un passage séparé dans la version d'origine, ce qui ne le gardait proche du temps réel que pour environ cinq objets. SAM 3.1 corrige cela : Meta annonce un débit qui double de 16 à 32 images par seconde sur un H100 pour un nombre moyen d'objets et une accélération d'environ 7 fois à 128 objets.
La licence est le principal recul. SAM et SAM 2 étaient sous Apache 2.0 ; SAM 3 exige une inscription contrôlée avec nom, date de naissance et affiliation, interdit les usages militaires et liés à ITAR ainsi que la rétro-ingénierie, et exige que les articles de recherche le citent. L'usage commercial est autorisé, et près de 1,9 million de téléchargements au cours des 30 derniers jours sur Hugging Face laissent penser que peu de gens en ont été découragés.
Là où il fait la différence
Un ingénieur ML dans une entreprise de robotique d'entrepôt qui construit des données d'entraînement
Étiqueter chaque palette, chariot élévateur et personne sur des milliers d'heures de vidéo
Donnez à SAM 3.1 une courte expression par classe et laissez le tracker suivre chaque objet dans le clip, puis faites corriger les masques par des annotateurs. Les propres chiffres de Meta placent la précision en vidéo bien en dessous du niveau humain, prévoyez donc une relecture plutôt que d'accepter la sortie brute.
Un responsable vision par ordinateur dans une start-up agricole qui repère les maladies des cultures
Détecter un concept de niche que les prompts zero-shot manquent
Affinez à partir du checkpoint de base avec le code de Meta ou dans Roboflow, qui entraîne sur un dataset de segmentation d'instances en 1008 sur 1008 pixels. Roboflow conseille de n'affiner que lorsque les prompts zero-shot échouent sur des classes propres au domaine.
Un développeur dans une application de retouche photo de 20 ingénieurs
Permettre aux utilisateurs de sélectionner « le ciel » ou « toutes les personnes » en le tapant
Faites tourner SAM 3 côté serveur pour renvoyer un masque par objet correspondant en environ 30 ms par image sur un H200, puis transmettez le masque aux outils d'édition de l'application ; SAM 3 détoure mais ne modifie pas les pixels. Vérifiez les termes de la SAM License avec votre service juridique avant de livrer, puisqu'il n'est plus sous Apache 2.0.
Avant de vous engager
- Mise en route
- Demandez l'accès sur Hugging Face et connectez-vous avec un token, puis installez le paquet GitHub sous Python 3.12+, PyTorch 2.7+ et CUDA 12.6+ ; Transformers le charge aussi. Des notebooks couvrent les prompts sur images et vidéos, l'inférence par lots et SAM 3 Agent.
- Intégrations
- Hugging Face Transformers, le Segment Anything Playground de Meta, et Roboflow pour l'annotation, le fine-tuning, l'inférence hébergée et l'étiquetage automatique. SAM 3 Agent le relie à un modèle de langage multimodal pour les prompts complexes.
- Données et confidentialité
- Auto-hébergé, les images et vidéos restent sur votre matériel. La SAM License autorise l'usage commercial mais interdit les usages militaires, liés à ITAR et autres usages soumis au contrôle des exportations, ainsi que la rétro-ingénierie, et la barrière d'accès collecte nom, date de naissance, pays et affiliation selon la politique de confidentialité de Meta.
- Coût à grande échelle
- Avec 848M de paramètres, un seul GPU de centre de données suffit à le servir ; Meta annonce 30 ms par image avec plus de 100 objets sur un H200, et SAM 3.1 à 32 images par seconde sur un H100 pour un nombre moyen d'objets. Les prix hébergés de Roboflow suivent ses propres offres.
- Limites
- Les prompts doivent être de courts groupes nominaux ou des boîtes d'exemple ; dans la version d'origine, la latence vidéo augmente linéairement avec le nombre d'objets suivis. Les résultats du benchmark SA-Co de Meta sont autodéclarés, et les annotateurs humains obtiennent encore environ 19 points de plus sur les images.
Les points forts
- 54,1 de cgF1 sur SA-Co/Gold, plus du double d'OWLv2 et de DINO-X (Meta)
- Détecte, segmente et suit chaque occurrence d'une expression textuelle
- 30 ms par image avec plus de 100 objets sur un H200 (Meta)
- Code de fine-tuning publié ; Roboflow prend en charge l'entraînement sur des données personnalisées
Les points faibles
- Environ trois quarts de la précision humaine ; bien moins en vidéo
- Courts groupes nominaux uniquement ; les requêtes complexes exigent un modèle de langage supplémentaire
- La SAM License remplace Apache 2.0, avec une inscription contrôlée et des restrictions d'usage
- Exige un GPU CUDA ; avant SAM 3.1, le coût en vidéo croît avec le nombre d'objets
Idéal pour
Les équipes de vision par ordinateur qui ont besoin de masques ou de boîtes pour des objets nommés dans des images et des vidéos sans entraîner un détecteur par classe.
Alternatives à SAM 3 (Segment Anything Model 3)
SAM 3 (Segment Anything Model 3) : questions fréquentes
- SAM 3 (Segment Anything Model 3) vaut-il le coup ?
- SAM 3 transforme « détoure chaque chariot élévateur dans cette vidéo » en un seul prompt, avec plus de deux fois la précision des détecteurs à vocabulaire ouvert qui l'ont précédé, mais reste encore loin d'un annotateur humain. Nous lui donnons 4.4 sur 5.
- Combien coûte SAM 3 (Segment Anything Model 3) ?
- Gratuit sous la SAM License après une inscription contrôlée sur Hugging Face ; usage commercial autorisé avec des restrictions sur les usages militaires, ITAR et la rétro-ingénierie. L'usage hébergé via Roboflow est facturé selon les offres de Roboflow.
- Quels sont les inconvénients de SAM 3 (Segment Anything Model 3) ?
- Environ trois quarts de la précision humaine ; bien moins en vidéo; courts groupes nominaux uniquement ; les requêtes complexes exigent un modèle de langage supplémentaire; la SAM License remplace Apache 2.0, avec une inscription contrôlée et des restrictions d'usage; exige un GPU CUDA ; avant SAM 3.1, le coût en vidéo croît avec le nombre d'objets.
- À qui s’adresse SAM 3 (Segment Anything Model 3) ?
- Les équipes de vision par ordinateur qui ont besoin de masques ou de boîtes pour des objets nommés dans des images et des vidéos sans entraîner un détecteur par classe.
- Combien coûte SAM 3 (Segment Anything Model 3) pour une équipe ou en production ?
- Avec 848M de paramètres, un seul GPU de centre de données suffit à le servir ; Meta annonce 30 ms par image avec plus de 100 objets sur un H200, et SAM 3.1 à 32 images par seconde sur un H100 pour un nombre moyen d'objets. Les prix hébergés de Roboflow suivent ses propres offres.
- SAM 3 (Segment Anything Model 3) est-il sûr pour les données de l’entreprise ?
- Auto-hébergé, les images et vidéos restent sur votre matériel. La SAM License autorise l'usage commercial mais interdit les usages militaires, liés à ITAR et autres usages soumis au contrôle des exportations, ainsi que la rétro-ingénierie, et la barrière d'accès collecte nom, date de naissance, pays et affiliation selon la politique de confidentialité de Meta.
- Quelles sont les meilleures alternatives à SAM 3 (Segment Anything Model 3) ?
- Les alternatives les plus proches que nous avons testées sont Gemini 3.8 Flash et MiniCPM-V 4.7 (35B-A3B and 1B).
Réponses vérifiées le 2 nov. 2026.
Vous éditez SAM 3 (Segment Anything Model 3) ? Affichez cette note sur votre site
