Así mejora SAM 3 de Meta: identifica más objetos en tus fotos y vídeos con ayuda de ejemplos y texto

¿Imaginas una inteligencia artificial capaz no solo de ver una imagen, sino de entender indicaciones como “persona sentada sin caja de regalo”, y reconocerlas al instante en cualquier fotografía o vídeo? Así es el nuevo SAM 3 de Meta: un salto de gigante en el universo de la segmentación de objetos, donde el lenguaje y las imágenes se funden para transformar cómo entendemos el mundo digital.

Índice de Contenido

La saga SAM: la revolución tranquila de la visión por computador

Puede que hayas oído el nombre Segment Anything Model –o SAM, para los amigos– en alguna noticia sobre avances en inteligencia artificial. Sin embargo, lo que empezó como una herramienta para identificar objetos en imágenes, hoy se ha convertido en un auténtico motor de creatividad y precisión digital.

Con el primer SAM (ese que Meta lanzó al mundo allá por 2023), la idea era clara: democratizar la tecnología y poner la segmentación de imágenes al alcance de cualquiera. Desde quien edita vídeos hasta quien controla vacas por satélite. Sin límites. Pero esto era solo el pistoletazo de salida.

SAM 2: el salto al vídeo en tiempo real

El siguiente capítulo llegó con SAM 2, que amplió el radar: ya no solo identificaba cualquier objeto en una imagen, sino que podía seguirlo, fotograma a fotograma, en tiempo real. Sí, tiempo real. Da igual que fuera un perro corriendo, un dron sobrevolando un campo, o tu gato saltando de la mesa al sofá. La IA lo detectaba, lo distinguía y no lo perdía de vista.

SAM 3: el poder de entender conceptos

Y ahora, Meta nos deslumbra con SAM 3, la evolución que va un paso más allá. ¿Qué lo hace disruptivo? Ha aprendido a escuchar y a comprender lo que queremos buscar. Porque ya no te limitas a seleccionar visualmente un objeto en pantalla: ahora puedes escribir “bicicleta azul bajo la lluvia” o “niño sin mochila”, y en cuestión de milisegundos, el sistema identifica exactamente esa porción de realidad.

Textos, imágenes… y pura agilidad

Indicaciones textuales y visuales: SAM 3 combina lo mejor de las palabras y los ejemplos visuales. Puedes soltarle una frase sencilla, mostrarle otra imagen de referencia o dejarte llevar por ideas complejas dignas de un guionista de cine.
Multimodalidad avanzada: En modelos tipo chatbots visuales, ahora es posible pedirle cosas tan finas como “personas sentadas, pero sin llevar ninguna caja en las manos”, y SAM 3 sabrá a qué te refieres. No se trata solo de ver, sino de entender matices.
Rendimiento de vértigo: ¿Cien objetos diferentes segmentados en una sola imagen, en solo 30 milisegundos? Así es: SAM 3 hace ese truco sobre una GPU H200. Y para vídeo, mantiene el ritmo casi en vivo, con la misma precisión.

Una base de datos que bate récords

¿El secreto detrás de su puntería y velocidad? Una mega base de datos con más de 4 millones de conceptos únicos, creada entre humanos y otras IAs. Meta ha entrenado a SAM 3 en miles de escenarios posibles: desde ciudades llenas de tráfico hasta paisajes bucólicos o escenas cotidianas. Todo, para que el modelo aprenda a reconocer lo que imaginamos… incluso si no se lo enseñamos de manera explícita.

¿Qué significa esto para el futuro?

La puerta abierta por SAM 3 no es solo para expertos en machine learning o estudios de efectos especiales; su potencial se extiende desde la moda y la seguridad hasta la medicina, la educación o el arte interactivo. Las posibilidades, literalmente, no tienen techo.

Y dicho así, ¿quién sabe? Puede que dentro de nada tu móvil entienda lo que le pides, tanto si lo escribes, lo dices, o lo dibujas con el dedo sobre la pantalla. La inteligencia artificial ya no solo mira: interpreta, aprende y, sobre todo, te entiende. Y eso, sí que es otro nivel.

La era de pedirle a una IA “enséñame justo lo que imagino” ha comenzado. ¿Te atreves a pensar en grande?