MetaがSAM 3.1をAPI化、1000枚の画像分割がわずか2.5ドル

動察 Beating AI 速報、Meta が視覚分割モデル SAM 3.1 を正式に Model API に統合しました。開発者が画像や動画を入力し、「赤い自転車」のようなフレーズを入力するだけで、対応する物体を直接見つけ出し、バウンディングボックスとピクセルレベルのマスクを返します。動画内では同じターゲットを追跡し続けることもでき、自動モザイク処理やエフェクト追加などに便利です。

Meta は今年3月にオープンウェイト版の SAM 3.1 をすでに公開しています。SAM 3 と比べて最大のアップグレードは Object Multiplex で、以前は複数のターゲットを一つずつ処理する必要がありましたが、現在は一度に最大16個を同時に処理できます。Meta のテストでは、1枚の H100 で多ターゲット動画を処理する速度が毎秒16フレームから32フレームに向上し、128個のターゲットを追跡する際の速度は SAM 3 の約7倍です。

以前は開発者が自分でウェイトをダウンロードし、GPU とデプロイ環境を準備する必要がありましたが、現在は Meta がホストする API を直接利用できます。画像分割は1000枚あたり2.5ドル、動画は1000フレームあたり0.2ドルで、OpenAI SDK を使って直接接続することもできます。

ただし、API 版は現在テキストプロンプトのみを受け付け、オープンウェイト版ではボックスやポイントなどの視覚プロンプトを使ってターゲットを指定できます。動画 API は1フレームあたり最大16個の物体を追跡できます。