O que é SAM 3 (Segment Anything Model 3)?
O SAM 3 é o terceiro Segment Anything Model da Meta, lançado em 19 de novembro de 2025 com pesos, código, scripts de fine-tuning e um novo benchmark. As versões anteriores contornavam um objeto por vez a partir de um clique ou de uma caixa. O SAM 3 acrescenta o que a Meta chama de segmentação de conceitos por prompt: dê a ele uma frase nominal curta como "um livro de capa dura" ou uma caixa de exemplo, e ele devolve uma máscara, uma caixa e uma pontuação para cada objeto correspondente em uma imagem, e os rastreia ao longo de um vídeo.
Ele tem 848 milhões de parâmetros divididos entre um detector no estilo DETR condicionado por texto, caixas e imagens de exemplo e um rastreador herdado do SAM 2, que compartilham um único encoder de visão. Um "presence token" decide primeiro se o conceito está ou não no quadro, o que ajuda com frases quase iguais como "um jogador de branco" contra "um jogador de vermelho". A Meta montou o conjunto de treino com um motor de dados humano e de IA que rotulou mais de 4 milhões de conceitos únicos.
Em 27 de março de 2026 a Meta lançou o SAM 3.1 como substituto direto, com o Object Multiplex rastreando até 16 objetos em uma única passada. O SAM 3 roda dentro do app Edits do Instagram e do recurso View in Room do Facebook Marketplace. Os pesos estão sob a SAM License da própria Meta, que substitui a licença Apache 2.0 do SAM e do SAM 2.
SAM 3 (Segment Anything Model 3) vale a pena?
O SAM 3 é o modelo aberto a ser batido para encontrar e contornar coisas pelo nome. No benchmark de imagens SA-Co/Gold da Meta, ele marca cgF1 de 54,1 em máscaras de instâncias, contra 24,6 do OWLv2, 21,3 do DINO-X e 13,0 do Gemini 2.5, e na detecção de caixas supera por pouco o DINO-X no COCO, 53,6 de AP a 52,4. Nas máscaras do LVIS chega a 48,5 de AP contra 43,4 do OWLv2. O SA-Co é o conjunto de teste da própria Meta, com 270.000 conceitos, então as maiores margens vêm em casa; os resultados no LVIS e no COCO são em benchmarks públicos.
A distância para as pessoas ainda é grande. Anotadores humanos marcam 72,8 nas mesmas máscaras do SA-Co/Gold, então o SAM 3 fica em cerca de três quartos do nível humano, que é a descrição da própria Meta. Vídeo é mais difícil: no teste SA-V ele chega a 30,3 de cgF1 contra 53,1 dos humanos, e em imagens de SmartGlasses a 36,4 contra 58,5. Para rotulagem em produção, é uma primeira passada forte, não um substituto da revisão.
Os prompts são simples de propósito. A Meta diz que o SAM 3 lida com frases curtas como "um livro de capa dura", mas não com "o penúltimo livro da direita na prateleira de cima"; pedidos mais longos ou que exigem raciocínio precisam do SAM 3 Agent, um padrão em que um modelo de linguagem multimodal divide o pedido em frases curtas e confere as máscaras devolvidas. Em vídeo, cada objeto rastreado custava uma passada separada no lançamento original, o que o mantinha perto do tempo real só para cerca de cinco objetos. O SAM 3.1 resolve isso: a Meta informa o throughput dobrando de 16 para 32 quadros por segundo em uma H100 com um número médio de objetos e um ganho de velocidade de cerca de 7 vezes com 128 objetos.
A licença é o principal retrocesso. O SAM e o SAM 2 eram Apache 2.0; o SAM 3 exige um cadastro com acesso controlado, com nome, data de nascimento e afiliação, proíbe usos militares e relacionados a ITAR e a engenharia reversa, e exige que artigos de pesquisa o citem. O uso comercial é permitido, e quase 1,9 milhão de downloads nos últimos 30 dias no Hugging Face sugerem que poucos desistiram.
Onde ele se destaca
Um engenheiro de ML em uma empresa de robótica para armazéns montando dados de treino
Rotular todos os paletes, empilhadeiras e pessoas em milhares de horas de vídeo
Dê ao SAM 3.1 uma frase curta por classe e deixe o rastreador seguir cada objeto ao longo do clipe, depois peça aos anotadores que corrijam as máscaras. Os próprios números da Meta põem a precisão em vídeo bem abaixo do nível humano, então reserve orçamento para revisão em vez de aceitar a saída bruta.
Um líder de visão computacional em uma startup agrícola que identifica doenças em lavouras
Detectar um conceito de nicho que os prompts zero-shot não pegam
Faça fine-tuning a partir do checkpoint base com o código da Meta ou na Roboflow, que treina com um dataset de segmentação de instâncias a 1008 por 1008 pixels. A Roboflow recomenda fazer fine-tuning só quando os prompts zero-shot falham em classes específicas do domínio.
Um desenvolvedor em um app de edição de fotos com 20 engenheiros
Deixar os usuários selecionarem "o céu" ou "todas as pessoas" digitando
Rode o SAM 3 no servidor para devolver uma máscara por objeto correspondente em cerca de 30 ms por imagem em uma H200 e depois passe a máscara às ferramentas de edição do próprio app; o SAM 3 contorna, mas não altera pixels. Revise os termos da SAM License com o jurídico antes de lançar, já que ela não é mais Apache 2.0.
Antes de decidir
- Configuração
- Peça acesso no Hugging Face e entre com um token, depois instale o pacote do GitHub em Python 3.12+, PyTorch 2.7+ e CUDA 12.6+; o Transformers também o carrega. Notebooks cobrem prompts em imagens e vídeos, inferência em lote e o SAM 3 Agent.
- Integrações
- Hugging Face Transformers, o Segment Anything Playground da Meta e a Roboflow para anotação, fine-tuning, inferência hospedada e rotulagem automática. O SAM 3 Agent o conecta a um modelo de linguagem multimodal para prompts complexos.
- Dados e privacidade
- Auto-hospedado, imagens e vídeos ficam no seu hardware. A SAM License permite uso comercial, mas proíbe usos militares, relacionados a ITAR e outros sujeitos a controle comercial, além de engenharia reversa, e o acesso controlado coleta nome, data de nascimento, país e afiliaç ão sob a política de privacidade da Meta.
- Custo em escala
- Com 848M de parâmetros, uma GPU de data center o serve; a Meta informa 30 ms por imagem com mais de 100 objetos em uma H200, e o SAM 3.1 a 32 quadros por segundo em uma H100 com um número médio de objetos. O preço hospedado da Roboflow segue os planos dela.
- Limites
- Os prompts precisam ser frases nominais curtas ou caixas de exemplo; no lançamento original, a latência em vídeo cresce linearmente com o número de objetos rastreados. Os resultados no benchmark SA-Co da Meta são autodeclarados, e anotadores humanos ainda marcam cerca de 19 pontos a mais em imagens.
O que é bom
- 54,1 de cgF1 no SA-Co/Gold, mais que o dobro do OWLv2 e do DINO-X (Meta)
- Detecta, segmenta e rastreia todas as ocorrências de uma frase de texto
- 30 ms por imagem com mais de 100 objetos em uma H200 (Meta)
- Código de fine-tuning liberado; a Roboflow suporta treino com dados próprios
O que não é
- Cerca de três quartos da precisão humana; em vídeo, bem abaixo
- Só frases nominais curtas; consultas complexas exigem um modelo de linguagem extra
- A SAM License substitui a Apache 2.0, com cadastro controlado e restrições de uso
- Exige uma GPU CUDA; antes do SAM 3.1, o custo em vídeo cresce com o número de objetos
Ideal para
Equipes de visão computacional que precisam de máscaras ou caixas para objetos nomeados em imagens e vídeos sem treinar um detector para cada classe.
Alternativas ao SAM 3 (Segment Anything Model 3)
SAM 3 (Segment Anything Model 3): perguntas frequentes
- SAM 3 (Segment Anything Model 3) vale a pena?
- O SAM 3 transforma "contorne todas as empilhadeiras deste vídeo" em um único prompt, com mais que o dobro da precisão dos detectores de vocabulário aberto anteriores, embora ainda bem abaixo de um rotulador humano. Damos nota 4.4 de 5.
- Quanto custa SAM 3 (Segment Anything Model 3)?
- Gratuito sob a SAM License após cadastro com acesso controlado no Hugging Face; uso comercial permitido com restrições militares, de ITAR e de engenharia reversa. O uso hospedado pela Roboflow é cobrado nos planos da Roboflow.
- Quais são as desvantagens de SAM 3 (Segment Anything Model 3)?
- Cerca de três quartos da precisão humana; em vídeo, bem abaixo; só frases nominais curtas; consultas complexas exigem um modelo de linguagem extra; a SAM License substitui a Apache 2.0, com cadastro controlado e restrições de uso; exige uma GPU CUDA; antes do SAM 3.1, o custo em vídeo cresce com o número de objetos.
- Para quem SAM 3 (Segment Anything Model 3) é indicado?
- Equipes de visão computacional que precisam de máscaras ou caixas para objetos nomeados em imagens e vídeos sem treinar um detector para cada classe.
- Quanto custa SAM 3 (Segment Anything Model 3) para uma equipe ou em produção?
- Com 848M de parâmetros, uma GPU de data center o serve; a Meta informa 30 ms por imagem com mais de 100 objetos em uma H200, e o SAM 3.1 a 32 quadros por segundo em uma H100 com um número médio de objetos. O preço hospedado da Roboflow segue os planos dela.
- SAM 3 (Segment Anything Model 3) é seguro para dados da empresa?
- Auto-hospedado, imagens e vídeos ficam no seu hardware. A SAM License permite uso comercial, mas proíbe usos militares, relacionados a ITAR e outros sujeitos a controle comercial, além de engenharia reversa, e o acesso controlado coleta nome, data de nascimento, país e afiliação sob a política de privacidade da Meta.
- Quais são as melhores alternativas ao SAM 3 (Segment Anything Model 3)?
- As alternativas mais próximas que analisamos são Gemini 3.8 Flash e MiniCPM-V 4.7 (35B-A3B and 1B).
Respostas verificadas em 2 de nov. de 2026.
Você faz o SAM 3 (Segment Anything Model 3)? Mostre esta nota no seu site
