
SAM 3和SAM 3.1是同一个模型的两个版本,都是Meta的Segment Anything:只需一次点击、一个框或一句简短描述,就能在图片和视频中检测、分割并追踪物体。SAM 3.1不是重写。Meta在介绍中称它为直接替换版,唯一新增的是目标复用(object multiplexing)。真正要问的是,这个差别会不会影响到您。只处理单个主体时,几乎没有影响。一旦画面里同时有多个主体,这就是升级的全部意义。对做短视频的人来说,多人同框的口播、带货和舞蹈镜头,正是这类场景。
SAM 3.1对比SAM 3:规格一览
以下是Meta为两个版本公布的数据。
| 对比项 | SAM 3.1 | SAM 3 |
|---|---|---|
| 发布时间 | 2026年3月27日 | 随SA-Co基准一同发布 |
| 定位 | SAM 3的直接替换版 | 基础版本 |
| 单次处理目标数 | 最多16个,复用处理 | 每次一个目标 |
| 视频吞吐 | 单张H100上每秒32帧 | 单张H100上每秒16帧 |
| 额外目标的成本 | 多个追踪目标共享算力 | 线性增长,每个目标各跑一遍 |
| 提示方式 | 点击、框选、遮罩、文字或图片示例 | 点击、框选、遮罩、文字或图片示例 |
| 图片与视频 | 都支持 | 都支持 |
| 单图速度 | 与SAM 3相同 | H200上检测100多个目标约30毫秒 |
| 权重 | 已发布检查点 | 已发布权重、代码和评测集 |
| Morphic支持 | 已上线,用于主体追踪和抠像 | 未上线 |
SAM 3.1改变了什么
- 多个目标不再争抢算力。 SAM 3给每个目标单独跑一遍,只共用已编码好的单帧画面,所以多一个主体,成本就近似多跑一次。SAM 3.1把被追踪的目标放进同一次前向计算,最多16个。
- 吞吐翻倍,数据来自Meta自己的测量。 Meta给出的数字是:目标数量适中的视频,在单张H100上从每秒16帧提升到32帧,原因是复用去掉了重复计算。
- 人多的镜头变得可行。 值得在意的不是单纯的速度,而是以前想避开的镜头:一群人、货架上的商品、车流,或台上的多位表演者。
SAM 3已有、3.1保留的能力
- 可提示的概念分割。 输入“骑车的人”这样的简短名词短语,就能找出该概念的全部实例,而不只是您点中的那一个。Meta称,在SA-Co基准上,它的cgF1得分约为现有模型的两倍,用户对它结果的偏好约为OWLv2的三倍。
- 四种提示方式不变。 点击、框选和遮罩沿用早期Segment Anything模型的做法,文字和图片示例从SAM 3开始支持。3.1在这方面没有改动,所以为SAM 3写的用法照样适用。
- 局限也一样。 过长的组合式短语仍不在支持范围内。Meta还指出,对细粒度、领域外的概念,模型表现偏弱,需要先微调。
Morphic上用的是哪一个
Morphic运行的是SAM 3.1。在时间线编辑器Compose里,它对应Track subject mask:在某一帧上标出主体,选好追踪方向,就会得到一条跟随主体的遮罩视频。在Canvas上,对静态图则是Auto-segment和Separate as layer。您不需要切换版本,也不用改写为SAM 3准备的内容,因为提示方式完全一样。
Morphic上的SAM 3.1:左边是原画面,右边是它返回的遮罩。
3.1的差别主要体现在要隔离多个对象的片段里。追踪画面里的四个人,不论哪个版本都是标四个主体、得到四个遮罩,变的是背后占用的算力。
完整功能请看SAM 3.1模型页。操作步骤见如何用SAM 3.1追踪主体,想了解这项任务本身,请看AI抠像追踪。
常见问题
Meta把3.1定位为速度和容量的改进,而不是精度的改进。文档中记录的差别是目标复用以及由此带来的吞吐提升,没有新的质量说法。
不需要。提示方式不变:点击、框选、遮罩、简短文字或图片示例都可以。Meta称3.1是直接替换版。
Meta表示,单次前向计算最多16个对象。在Morphic上,一条视频同样最多可放16个遮罩,每个追踪主体一个。
可以用来在视频里单独圈出人物或商品,得到跟随主体的遮罩视频,再交给后续步骤处理。多人同框的片段是它最能发挥的场景,但画面里的物体越多,仍要逐个确认遮罩是否贴合。
不会。这个上限由Morphic设定,与模型无关:一条视频最多16个遮罩,追踪的或手绘的都算,组合方式不限。Meta所说的每次16个对象,指的是模型的处理方式,而不是允许您使用的数量。
速度数据来自Meta介绍该模型的官方文章:每秒16到32帧是在单张H100上测得的,SAM 3单图约30毫秒的数据,则是在H200上检测100多个目标时得到的。至于SAM 3,Morphic只运行SAM 3.1,提示方式没有变化,所以无需迁移。