SAM 3 已上线：Meta 最新的 Vision AI 现在可以理解你的文字

Source: Dev.to

SAM 系列

SAM 1 (2023)

• 零样本模型，可通过点击或边界框对任意对象进行分割。

SAM 2 (2024)

• 增加了视频支持，实现跨帧的对象追踪。

SAM 3 (2025)

• 引入原生文本提示理解和 3D 重建能力。

SAM 3 的新特性

• 文本提示分割 – 描述你想要分割的内容（例如 “红色汽车”、 “黄色校车”、 “羚羊”），模型会自动检测、掩码并追踪这些对象。
• 统一的图像‑视频骨干网 – 共享的视觉编码器处理单帧图像的同时保持时间一致性，省去单独的检测和追踪流水线。
• 3D 重建（“SAM 3D”） – 从 2D 图像或视频估计对象的三维形状，为 AR/VR、机器人和 XR 应用打开可能性。
• 优化的推理 – 尽管功能增多，SAM 3 仍保持高效，在 Meta 的 SA‑Co 数据集上超越早期版本，并针对边缘设备部署进行设计。

技术深度解析：在 AMD Ryzen AI Max+ 395 上本地实现

硬件配置

• CPU: 16 核 Zen 5（Strix Halo）
• 内存: 128 GB LPDDR5x（8000 MT/s）
• 峰值性能: 最高 126 TOPS

通过利用 Ryzen AI 的统一内存架构，SAM 3 可在本地运行，无需云端依赖，提供低延迟和数据隐私优势。虽然高端 GPU（如 NVIDIA H100）是大规模视觉模型的常规选择，但 Ryzen 平台为内存占用适中、实时需求的工作负载提供了成本效益更高的替代方案。

在 Ryzen AI Max+ 395 上运行 SAM 3 可实现极快的推理速度，支持在边缘摄像头上进行“按描述分割”检测。

完整的实现指南——包括代码、基准测试结果以及与物联网边缘摄像头的集成——将在后续文章中发布。

资源

• GitHub:
• Hugging Face:
• Demo:

尝试官方演示，亲自感受 SAM 3 的精准度。欢迎在评论中留下你的反馈。