
SAM 3 と SAM 3.1 は、同じモデルの2つのリリースです。Meta の Segment Anything は、クリック、ボックス、短い文章から、画像や動画の物体を検出し、切り出し、追跡します。
SAM 3.1 は作り直しではありません。Meta はドロップインの置き換え版と説明しており、加わったのは物体のマルチプレキシングだけです。気になるのは、この違いが手元の作業に響くかどうかでしょう。被写体が1つなら、ほとんど変わりません。複数の被写体を同時に扱うなら、ここが最大のポイントです。
SAM 3.1 と SAM 3:スペック比較
Meta が各リリースについて公開している数値です。
| 項目 | SAM 3.1 | SAM 3 |
|---|---|---|
| 公開日 | 2026年3月27日 | SA-Co ベンチマークと同時に発表 |
| 位置づけ | SAM 3 のドロップイン置き換え | ベースとなるリリース |
| 1回の処理で扱う物体数 | 最大16個(マルチプレキシング) | 1回に1個 |
| 動画の処理速度 | H100 1枚で毎秒32フレーム | H100 1枚で毎秒16フレーム |
| 物体が増えたときのコスト | 追跡中の物体で計算を共有 | 物体ごとにマスクレットを持つため、ほぼ比例して増加 |
| プロンプト | クリック、ボックス、マスク、テキスト、画像の例示 | クリック、ボックス、マスク、テキスト、画像の例示 |
| 画像と動画 | どちらも対応 | どちらも対応 |
| 静止画1枚の速度 | SAM 3 と同じ | H200 で100個以上の物体を約30ミリ秒 |
| 公開物 | チェックポイントを公開 | 重み、コード、評価セットを公開 |
| Morphicでの利用 | 対応(被写体追跡と切り抜きとして) | 非対応 |
SAM 3.1 で変わったこと
- 複数の物体が、計算を奪い合わなくなりました。 SAM 3 は物体ごとに別々の処理を行い、共有するのはフレームごとの画像エンコードだけでした。2つ目の被写体を足すと、ほぼ2回分の処理が必要になります。SAM 3.1 は追跡中の物体をまとめて、1回のフォワードパスで処理します。上限は16個です。
- Meta の測定では、処理速度が2倍になりました。 物体が中程度の数の動画では、H100 1枚で毎秒16フレームから32フレームへ向上したとされています。Meta は、マルチプレキシングで無駄な計算が減ったことが要因だと説明しています。
- 人の多いカットも現実的になります。 注目したいのは速度そのものではありません。これまで避けていたカットが、選択肢に入る点です。たとえば、集合写真のような人の群れ、商品棚、交通量の多い道路、複数の出演者が立つステージです。
SAM 3 から引き継がれている機能
- プロンプトで概念を指定するセグメンテーション。 「自転車に乗る人」のような短い名詞句を入れると、その概念に当てはまる物体がすべて見つかります。クリックした1つだけではありません。Meta は、SA-Co ベンチマークの cgF1 スコアが既存モデルの約2倍で、OWLv2 との比較では約3対1で好まれたと報告しています。
- 同じ4つの指定方法。 クリック、ボックス、マスクは、これまでの Segment Anything から引き継がれています。テキストと画像の例示は SAM 3 で加わりました。3.1 でも変更はないため、SAM 3 向けに書いたものはそのまま使えます。
- 同じ制約。 長く入り組んだ文章での指定は、いまも対象外です。ファインチューニングしていない限り、細かい分類や専門外の概念は苦手だと、Meta は説明しています。
Morphic で動いているのはどちらか
Morphic で動いているのは SAM 3.1 です。Morphic のタイムラインエディタである Compose では、Track subject mask として使えます。1つのフレームで被写体を指定し、方向を選ぶと、被写体を追うマスク動画が返ってきます。Canvas の静止画では、Auto-segment と Separate as layer がこれにあたります。
バージョンを切り替える操作はありません。SAM 3 向けに書いたものを直す必要もありません。プロンプトの指定方法は同じだからです。
Morphic 上の SAM 3.1:左が元の映像、右が返ってきたマスク。
3.1 の違いが効くのは、切り出したいものが複数あるクリップです。ライブ映像のステージや、ダンス動画の複数人を切り出す場面が当てはまります。シーンの4人を追跡するなら、指定する被写体は4つ、返ってくるマスクも4つで、どちらのバージョンでも同じです。変わったのは、その裏で動くマシンの負担です。
機能の全体は、SAM 3.1 のモデルページをご覧ください。手順は、SAM 3.1 で被写体を追跡する方法で解説しています。作業そのものについては、AIロトスコープが参考になります。
よくある質問
Meta は 3.1 を、精度の向上ではなく、速度と処理容量の改善として位置づけています。公開されている違いは、物体のマルチプレキシングと、それによる処理速度の向上です。品質が上がったという主張は出ていません。
必要ありません。指定方法は同じで、クリック、ボックス、マスク、短いテキスト、画像の例示を使います。Meta は 3.1 をドロップインの置き換え版と呼んでいます。
3.1 の変更点は、まさにその場面に向いています。複数の被写体を1回の処理でまとめて扱えるため、ステージの出演者や群衆のようなカットも選択肢に入ります。ただし、Meta はマスクの精度が上がったとは言っていません。追跡結果は、公開前に必ず目で確認してください。
Meta によると、1回のフォワードパスで最大16個です。Morphic でも、1つのクリップに置けるマスクは、被写体1つにつき1つで、最大16個です。
使えません。Morphic で動いているのは SAM 3.1 だけです。プロンプトの指定方法は変わっていないため、移行作業は何もありません。
変わりません。この上限は Morphic の仕様で、モデルの仕様ではありません。1つのクリップには、追跡したマスクと描いたマスクを合わせて、最大16個まで置けます。Meta が示す「1回の処理で16個」という数字は、モデルが内部でどう処理するかを表したものです。ユーザーが使える数の上限ではありません。
Meta 自身のモデル紹介記事からです。毎秒16〜32フレームという数値は、H100 GPU 1枚での測定です。SAM 3 の静止画1枚で約30ミリ秒という数値は、H200 で100個以上の物体を検出した場合のものです。