
SAM 3 y SAM 3.1 son dos versiones del mismo modelo: Segment Anything de Meta, que detecta, segmenta y sigue objetos en imágenes y video a partir de un clic, un recuadro o una descripción corta. SAM 3.1 no es una reescritura. Meta lo describe como un reemplazo directo cuyo único añadido es el multiplexado de objetos. La pregunta práctica es si esa diferencia te alcanza. En el trabajo con un solo sujeto, casi no. Cuando hay varios sujetos a la vez, es justo el punto.
SAM 3.1 vs SAM 3: las especificaciones
Las cifras que Meta publicó para cada versión.
| SAM 3.1 | SAM 3 | |
|---|---|---|
| Lanzamiento | 27 de marzo de 2026 | Anunciado junto con el benchmark SA-Co |
| Relación | Reemplazo directo de SAM 3 | La versión base |
| Objetos por pasada | Hasta 16, multiplexados | Un objeto por pasada |
| Velocidad en video | 32 cuadros por segundo en una H100 | 16 cuadros por segundo en una H100 |
| Costo de objetos extra | Cómputo compartido entre los objetos rastreados | Crece de forma lineal, un masklet por objeto |
| Prompting | Clic, recuadro, máscara, texto o ejemplo en imagen | Clic, recuadro, máscara, texto o ejemplo en imagen |
| Imágenes y video | Ambos | Ambos |
| Velocidad en imagen fija | Igual que SAM 3 | Cerca de 30 ms con más de 100 objetos, en una H200 |
| Pesos | Checkpoint publicado | Pesos, código y conjunto de evaluación publicados |
| En Morphic | Sí, como seguimiento de sujetos y recortes | No |
Qué cambia con SAM 3.1
- Muchos objetos dejan de competir por la máquina. SAM 3 seguía cada objeto con su propia pasada y solo compartía la imagen del cuadro que ya había codificado. Un segundo sujeto costaba más o menos otra ejecución. SAM 3.1 procesa los objetos rastreados juntos en una sola pasada, hasta dieciséis.
- La velocidad se duplica según la medición de Meta. Meta ubica la mejora entre 16 y 32 cuadros por segundo en una sola GPU H100, para video con una cantidad media de objetos. La atribuye al trabajo redundante que el multiplexado elimina.
- Las tomas con mucha gente se vuelven viables. Lo que importa no es la velocidad en sí, sino las tomas que antes evitabas: un grupo, un anaquel de productos, tráfico, un escenario con varios artistas.
Lo que SAM 3 ya hacía y la 3.1 conserva
- Segmentación por concepto con prompt. Una frase nominal corta, como “la ciclista”, encuentra todas las instancias de ese concepto y no solo lo que tocaste con el clic. Meta reporta cerca del doble de puntaje cgF1 que los modelos existentes en su benchmark SA-Co, y dice que las personas prefirieron sus resultados frente a OWLv2 en una proporción de tres a uno.
- Las mismas cuatro formas de dar el prompt. Los clics, los recuadros y las máscaras vienen de los modelos Segment Anything anteriores. El texto y los ejemplos en imagen llegaron con SAM 3. En la 3.1 nada de esto cambió, así que todo lo escrito para SAM 3 sigue valiendo.
- Los mismos límites. Las frases largas y composicionales siguen fuera de alcance. Meta también sigue describiendo el modelo como débil con conceptos finos y fuera de dominio, hasta que se ajusta con ejemplos propios.
Qué versión usas en Morphic
Morphic usa SAM 3.1. En Compose, el editor de línea de tiempo de Morphic, es la máscara Track subject: marcas un sujeto en un cuadro, eliges una dirección y recibes un video de máscara que lo sigue. En el Canvas es Auto-segment y Separate as layer para imágenes fijas. No hay que cambiar de versión, y nada de lo escrito para SAM 3 necesita reescribirse, porque el prompting es idéntico.
SAM 3.1 en Morphic: la imagen a la izquierda y, a la derecha, la máscara que devolvió.
La diferencia de la 3.1 se nota en el clip con varias cosas por aislar. Seguir a cuatro personas en una escena son cuatro sujetos marcados y cuatro máscaras en cualquiera de las dos versiones. Lo que cambió es cuánto tiempo de máquina hay detrás.
Para ver todas las funciones, entra a la página del modelo SAM 3.1. Para el paso a paso, lee cómo seguir un sujeto con SAM 3.1, y para el trabajo en sí, rotoscopia con IA.
Preguntas frecuentes
Meta presenta la 3.1 como un cambio de velocidad y capacidad, no de precisión. La diferencia documentada es el multiplexado de objetos y el rendimiento que da, no una nueva afirmación de calidad.
No. Las formas de dar el prompt son las mismas: un clic, un recuadro, una máscara, una frase corta de texto o un ejemplo en imagen. Meta llama a la 3.1 un reemplazo directo.
Meta dice que hasta 16 objetos en una sola pasada. En Morphic, un clip también admite hasta dieciséis máscaras, una por sujeto rastreado.
No. Morphic usa solo SAM 3.1, y como el prompting no cambia, no hay nada que migrar.
No. Ese límite es de Morphic y no del modelo: un clip admite hasta dieciséis máscaras, rastreadas o dibujadas, en cualquier combinación. La cifra de dieciséis objetos por pasada de Meta habla de cómo el modelo los procesa, no de cuántos tienes permitidos.
Sí, es un uso típico del seguimiento de sujetos. Marcas a la persona en un cuadro, Morphic genera una máscara que la sigue en el resto del clip, y con esa máscara puedes aislarla del resto de la imagen.
De la publicación de Meta sobre el modelo. La cifra de 16 a 32 cuadros por segundo está medida en una sola GPU H100. La de unos 30 milisegundos por imagen fija en SAM 3 corresponde a una H200 con más de 100 objetos detectados.