SAM 3 (Segment Anything Model 3)とは？
SAM 3は、Metaによる3つ目のSegment Anything Modelで、2025年11月19日に、重み、コード、ファインチューニングのスクリプト、新しいベンチマークとともに公開されました。以前の版は、クリックやボックスから一度に1つの物体の輪郭を取るものでした。SAM 3は、Metaがpromptable concept segmentationと呼ぶ機能を加えています。「a hardcover book」のような短い名詞句か例となるボックスを与えると、画像の中で当てはまるすべての物体のマスク、ボックス、スコアを返し、動画ではそれらを追跡します。
パラメータは8億4,800万（848 million）で、テキスト、ボックス、例の画像を条件とするDETR風の検出器と、SAM 2から受け継いだトラッカーに分かれ、1つの視覚エンコーダーを共有しています。「presence token」がまず、その概念がそもそもフレームの中にあるかどうかを判断します。これは「a player in white」と「a player in red」のような紛らわしい語句で役立ちます。Metaは、人とAIによるデータエンジンで学習用のセットを作り、400万（4 million）を超える固有の概念にラベルを付けました。
2026年3月27日、Metaはそのまま差し替えられるSAM 3.1を公開しました。Object Multiplexにより、1回の順伝播で最大16の物体を追跡します。SAM 3は、InstagramのEditsアプリとFacebook MarketplaceのView in Roomの機能の中で動いています。重みはMeta独自のSAM Licenseで、SAMとSAM 2のApache 2.0のライセンスに代わるものです。
SAM 3 (Segment Anything Model 3)は使う価値があるか？
名前で物を見つけて輪郭を取ることにかけて、SAM 3は倒すべきオープンなモデルです。MetaのSA-Co/Goldの画像のベンチマークでは、インスタンスのマスクでcgF1が54.1で、OWLv2は24.6、DINO-Xは21.3、Gemini 2.5は13.0です。ボックスの検出では、COCOでDINO-Xをわずかに上回り、APで53.6対52.4です。LVISのマスクでは48.5 APに達し、OWLv2は43.4です。SA-CoはMeta自身の270,000の概念のテストセットなので、最大の差は自分の土俵でのものです。LVISとCOCOの結果は公開のベンチマークでのものです。
人との差はまだ大きいままです。人間のアノテーターは同じSA-Co/Goldのマスクで72.8なので、SAM 3はおよそ人間の4分の3の水準にあり、これはMeta自身の説明でもあります。動画はさらに難しく、SA-Vのテストでは30.3 cgF1で人間は53.1、SmartGlassesの映像では36.4で人間は58.5です。本番のラベル付けでは強力な一次処理であって、確認の代わりにはなりません。
プロンプトは意図的に単純にしてあります。Metaによると、SAM 3は「a hardcover book」のような短い語句は扱えますが、「the second to last book from the right on the top shelf」は扱えません。より長い、あるいは推論の多い依頼にはSAM 3 Agentが必要です。これはマルチモーダルの言語モデルが依頼を短い語句に分け、返ってきたマスクを確認するやり方です。動画では、最初のリリースでは追跡する 物体ごとに別の処理が必要で、リアルタイムに近い速さを保てたのは5つ程度の物体まででした。SAM 3.1はそれに対処しており、Metaの報告では、中程度の数の物体でH100 1基あたりのスループットが毎秒16フレームから32フレームに倍増し、128の物体では約7倍速くなりました。
主な後退はライセンスです。SAMとSAM 2はApache 2.0でしたが、SAM 3は名前、生年月日、所属を伴う利用申請が必要で、軍事やITARに関わる用途とリバースエンジニアリングを禁じ、研究論文ではクレジットを求めます。商用利用は認められており、Hugging Faceでの過去30日のダウンロード数は約190万（1.9 million）回なので、敬遠した人は少ないようです。
真価を発揮する場面
学習データを作る倉庫ロボットの会社のMLエンジニア
数千時間の動画の中のすべてのパレット、フォークリフト、人にラベルを付ける
クラスごとに短い語句を1つずつSAM 3.1に与え、トラッカーにクリップ全体で各物体を追わせ、その後アノテーターにマスクを修正してもらいます。Meta自身の数字では動画の精度は人間の水準を大きく下回るので、生の出力をそのまま受け入れるのではなく、確認の予算を組んでください。
作物の病気を見つける農業スタートアップのコンピュータービジョンの責任者
ゼロショットのプロンプトでは見逃される特殊な概念を検出する
Metaのコードか、インスタンスセグメンテーションのデータセットを1008×1008ピクセルで学習させるRoboflowで、ベースのチェックポイントからファインチューニングします。Roboflowは、ゼロショットのプロンプトが分野特有のクラスで失敗する場合にだけファインチューニングするよう勧めています。
エンジニア20人の写真編集アプリの開発者
ユーザーが「the sky」や「all the people」と入力して選択できるようにする
サーバー側でSAM 3を動かし、H200で画像1枚あたり約30 msで当てはまる物体ごとのマスクを返し、そのマスクをアプリ自身の編集ツールに渡します。SAM 3は輪郭を取るだけで、ピクセルは変えません。もうApache 2.0ではないので、出荷の前にSAM Licenseの条件を法務と確認してください。
導入前に確認すること
- 導入
- Hugging Faceでアクセスを申請してトークンでログインし、Python 3.12以降、PyTorch 2.7以降、CUDA 12.6以降の環境にGitHubのパッケージをインストールします。Transformersでも読み込めます。ノートブックでは、画像と動画へのプロンプト、バッチでの推論、SAM 3 Agentを扱っています。
- 連携
- Hugging Face Transformers、MetaのSegment Anything Playground、そしてアノテーション、ファインチューニング、ホスト版の推論、自動ラベル付けのためのRoboflow。SAM 3 Agentは、複雑なプロンプトのためにマルチモーダルの言語モデルと接続します。
- データとプライバシー
- セルフホストなら、画像と動画は自分のハードウェアにとどまります。SAM Licenseは商用利用を認めていますが、軍事、ITARに関わる用途、そのほかの貿易規制の対象となる用途とリバースエンジニアリングを禁じています。利用申請では、Metaのプライバシーポリシーのもとで名前、生年月日、国、所属が収集されます。
- 大規模利用時のコスト
- 848Mパラメータなので、データセンター向けのGPU 1基で動かせます。Metaの報告では、H200で100を超える物体のある画像1枚あたり30 ms、SAM 3.1は中程度の数の物体でH100 1基あたり毎秒32フレームです。Roboflowのホスト版の価格は同社のプランに従います。
- 制限
- プロンプトは短い名詞句か例のボックスでなければなりません。最初のリリースでは、動画のレイテンシーは追跡する物体の数に比例して増えます。MetaのSA-Coのベンチマークの結果は自己申告で、画像では人間のアノテーターがいまも約19ポイント高いスコアを出しています。
良い点
- SA-Co/GoldでcgF1が54.1、OWLv2とDINO-Xの2倍以上（Meta）
- テキストの語句に当てはまるすべての対象を検出、分割、追跡する
- H200で100以上の物体のある画像1枚あたり30 ms（Meta）
- ファインチューニングのコードが公開され、Roboflowが独自データでの学習に対応
気になる点
- 精度はおよそ人間の4分の3で、動画ではさらに低い
- 短い名詞句のみで、複雑な質問には追加の言語モデルが必要
- SAM LicenseがApache 2.0に代わり、利用申請と用途の制限がある
- CUDAのGPUが必要で、SAM 3.1より前は動画の費用が物体の数とともに増える
おすすめの人
クラスごとに検出器を学習させずに、画像と動画全体で名前の付いた物体のマスクやボックスを必要とするコンピューター ビジョンのチーム。
SAM 3 (Segment Anything Model 3)の代替
SAM 3 (Segment Anything Model 3)：よくある質問
- SAM 3 (Segment Anything Model 3)は使う価値があるか？
- SAM 3は「この動画の中のフォークリフトをすべて囲んで」を1つのプロンプトにし、それ以前のオープンボキャブラリーの検出器の2倍を超える精度を出します。ただし人間のラベル付け担当者にはまだ遠く及びません。 評価は5点満点中4.4点です。
- SAM 3 (Segment Anything Model 3)の料金は？
- Hugging Faceでの利用申請のあと、SAM Licenseで無料です。商用利用は認められていますが、軍事、ITAR、リバースエンジニアリングに関する制限があります。Roboflowを通じたホスト版の利用はRoboflowのプランで課金されます。
- SAM 3 (Segment Anything Model 3)の欠点は？
- 精度はおよそ人間の4分の3で、動画ではさらに低い; 短い名詞句のみで、複雑な質問には追加の言語モデルが必要; SAM LicenseがApache 2.0に代わり、利用申請と用途の制限がある; CUDAのGPUが必要で、SAM 3.1より前は動画の費用が物体の数とともに増える.
- SAM 3 (Segment Anything Model 3)は誰に向いているか？
- クラスごとに検出器を学習させずに、画像と動画全体で名前の付いた物体のマスクやボックスを必要とするコンピュータービジョンのチーム。
- チームや本番環境でSAM 3 (Segment Anything Model 3)を使うと費用はいくらか？
- 848Mパラメータなので、データセンター向けのGPU 1基で動かせます。Metaの報告では、H200で100を超 える物体のある画像1枚あたり30 ms、SAM 3.1は中程度の数の物体でH100 1基あたり毎秒32フレームです。Roboflowのホスト版の価格は同社のプランに従います。
- SAM 3 (Segment Anything Model 3)は企業データを扱っても安全か？
- セルフホストなら、画像と動画は自分のハードウェアにとどまります。SAM Licenseは商用利用を認めていますが、軍事、ITARに関わる用途、そのほかの貿易規制の対象となる用途とリバースエンジニアリングを禁じています。利用申請では、Metaのプライバシーポリシーのもとで名前、生年月日、国、所属が収集されます。
- SAM 3 (Segment Anything Model 3)の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はGemini 3.8 Flash 、 MiniCPM-V 4.7 (35B-A3B and 1B)です。
回答確認日：2026年11月2日
SAM 3 (Segment Anything Model 3)の開発元の方へ：この評価をサイトに掲載できます
