SAM 3 und SAM 3.1 sind zwei Veröffentlichungen desselben Modells: Metas Segment Anything erkennt, segmentiert und verfolgt Objekte in Bildern und Videos, ausgehend von einem Klick, einer Box oder einer kurzen Beschreibung. SAM 3.1 ist keine Neuentwicklung. Meta beschreibt es als direkten Ersatz, dessen einzige Ergänzung das Object Multiplexing ist. Die praktische Frage lautet, ob dieser Unterschied bei Ihnen ankommt. Bei Arbeiten mit nur einem Motiv meist nicht. Sobald mehrere Motive gleichzeitig im Bild sind, ist er der ganze Sinn der Version. Das betrifft etwa Rotoskopie in Produktvideos, Schulungsclips mit mehreren Personen oder Werbespots mit vollem Set.
SAM 3.1 vs SAM 3: die Spezifikationen
Die von Meta veröffentlichten Werte für beide Versionen.
| SAM 3.1 | SAM 3 | |
|---|---|---|
| Veröffentlicht | 27. März 2026 | Vorgestellt mit dem SA-Co-Benchmark |
| Verhältnis | Direkter Ersatz für SAM 3 | Die Basisversion |
| Objekte pro Durchgang | Bis zu 16, gebündelt | Ein Objekt pro Durchgang |
| Video-Durchsatz | 32 Bilder pro Sekunde auf einer H100 | 16 Bilder pro Sekunde auf einer H100 |
| Aufwand für weitere Objekte | Gemeinsame Rechenleistung für alle verfolgten Objekte | Wächst linear, je ein Masklet pro Objekt |
| Prompting | Klick, Box, Maske, Text oder Bildbeispiel | Klick, Box, Maske, Text oder Bildbeispiel |
| Bilder und Video | Beides | Beides |
| Geschwindigkeit bei Einzelbildern | Unverändert gegenüber SAM 3 | Etwa 30 ms bei über 100 Objekten, auf einer H200 |
| Gewichte | Checkpoint veröffentlicht | Gewichte, Code und Evaluationsset veröffentlicht |
| Auf Morphic | Ja, als Motivverfolgung und Freisteller | Nein |
Was SAM 3.1 ändert
- Viele Objekte konkurrieren nicht mehr um die Rechenleistung. SAM 3 verfolgte jedes Objekt in einem eigenen Durchgang und teilte nur das bereits kodierte Bild pro Frame. Ein zweites Motiv kostete deshalb ungefähr einen zweiten Lauf. SAM 3.1 verarbeitet die verfolgten Objekte gemeinsam in einem Durchgang, bis zu sechzehn.
- Der Durchsatz verdoppelt sich nach Metas eigener Messung. Meta beziffert den Gewinn auf 16 bis 32 Bilder pro Sekunde auf einer einzelnen H100-GPU, bei Videos mit mittlerer Objektzahl. Ursache ist die doppelte Arbeit, die das Multiplexing einspart.
- Volle Szenen werden praktikabel. Entscheidend ist nicht die reine Geschwindigkeit, sondern dass Aufnahmen möglich werden, die Sie bisher gemieden hätten: eine Gruppe, ein Produktregal, Straßenverkehr, eine Bühne mit mehreren Auftretenden.
Was SAM 3 schon konnte und SAM 3.1 beibehält
- Promptable Concept Segmentation. Eine kurze Nominalphrase wie „der Radfahrer“ findet jede Instanz dieses Konzepts, nicht nur das eine Objekt, das Sie angeklickt haben. Meta nennt für den eigenen SA-Co-Benchmark etwa den doppelten cgF1-Wert gegenüber bestehenden Modellen und gibt an, dass Testpersonen die Ergebnisse gegenüber OWLv2 etwa im Verhältnis drei zu eins bevorzugten.
- Dieselben vier Prompt-Arten. Klicks, Boxen und Masken stammen aus den früheren Segment-Anything-Modellen, Text und Bildbeispiele kamen mit SAM 3 dazu. In 3.1 hat sich daran nichts geändert, alles für SAM 3 Geschriebene gilt also weiter.
- Dieselben Grenzen. Lange, zusammengesetzte Phrasen bleiben außerhalb des Umfangs. Meta beschreibt das Modell außerdem weiterhin als schwach bei feinkörnigen Konzepten außerhalb seiner Trainingsdomäne, solange es nicht darauf nachtrainiert wird.
Welche Version Sie auf Morphic nutzen
Morphic nutzt SAM 3.1. In Compose, dem Timeline-Editor von Morphic, ist es die Motivmaske „Track subject“: Sie markieren ein Motiv in einem Frame, wählen eine Richtung und erhalten ein Maskenvideo, das dem Motiv folgt. Auf dem Canvas heißt die Funktion „Auto-segment“ und „Separate as layer“ für Standbilder. Eine Versionsauswahl gibt es nicht. Auch müssen Sie nichts umschreiben, was für SAM 3 gedacht war, denn das Prompting ist identisch.
SAM 3.1 auf Morphic: links das Bild, rechts die Maske, die zurückkam.
Der Unterschied von 3.1 zeigt sich vor allem bei Clips mit mehreren Motiven. Vier Personen in einer Szene zu verfolgen heißt in beiden Versionen vier markierte Motive und vier Masken. Geändert hat sich nur, wie viel Maschinenzeit dahintersteht.
Den vollen Funktionsumfang finden Sie auf der Modellseite zu SAM 3.1. Die Schritt-für-Schritt-Anleitung steht in So verfolgen Sie ein Motiv mit SAM 3.1, und zur Aufgabe selbst passt KI-Rotoskopie.
Häufig gestellte Fragen
Meta stellt 3.1 als Änderung bei Geschwindigkeit und Kapazität dar, nicht bei der Genauigkeit. Dokumentiert sind das Object Multiplexing und der dadurch erzielte Durchsatz, kein neuer Qualitätsanspruch.
Nein. Die Arten des Promptings sind gleich: ein Klick, eine Box, eine Maske, eine kurze Textphrase oder ein Bildbeispiel. Meta nennt 3.1 einen direkten Ersatz.
Laut Meta bis zu 16 Objekte in einem einzigen Durchgang. Auf Morphic fasst ein Clip ebenfalls bis zu sechzehn Masken, eine pro verfolgtem Motiv.
Nein. Morphic nutzt ausschließlich SAM 3.1, und weil das Prompting unverändert ist, müssen Sie nichts migrieren.
Nein. Diese Grenze stammt von Morphic, nicht vom Modell: Ein Clip fasst bis zu sechzehn Masken, verfolgt oder gezeichnet, in beliebiger Kombination. Metas Angabe von sechzehn Objekten pro Durchgang beschreibt, wie das Modell sie verarbeitet, nicht wie viele Sie anlegen dürfen.
Aus Metas eigenem Beitrag zum Modell. Die Angabe von 16 bis 32 Bildern pro Sekunde wurde auf einer einzelnen H100-GPU gemessen. Der Wert von rund 30 Millisekunden für ein Einzelbild bei SAM 3 gilt für eine H200 mit mehr als 100 erkannten Objekten.
Dazu macht diese Seite keine Aussage. Fragen zu Datenschutz und DSGVO beantworten die Datenschutzhinweise und die Hilfeseiten von Morphic. Prüfen Sie dort die aktuellen Angaben, bevor Sie personenbezogenes Footage verarbeiten.