SAM 3：输入“shoe”找出一组鞋，文字也能成为选区入口

一张球场照片里有好几个孩子，想把鞋单独选出来，不一定要逐个点。SAM 3增加了按概念找对象的入口：输入一个短语，模型在图像里寻找符合概念的多个实例，并给出各自的蒙版、框和分数。它适合做选区工具的底层能力，让编辑从“我想选哪一类东西”开始。

官方图像notebook给出实际保存的例子：输入shoe，在球场照片中返回12个对象。展示图把鞋的位置标为不同实例，和孩子身体其他部分分开。12是这一张图、这次官方运行的结果，不代表模型对任何多人场景都能数全，也不是猫目本地测试。

Meta官方notebook的shoe结果，彩色标记区分多个实例。文字提示、保存输出和原图场景在同一份材料中对应。

一个概念可能对应许多选区

SAM3 README把主要变化说得很清楚：除了点、框和蒙版等视觉提示，它还可以按短文本或样例找出开放词汇概念的多个实例。它内部结合检测与跟踪；视频入口先创建会话，再在某一帧添加文字提示，而不是每帧重新上传一张互不相关的图。

这适合继续构造“把所有鞋作为一个编辑组”“分别给多个同类对象加标记”等工作流。但输出本身仍是分离信息，改色、模糊和合成需要下游工具实现。概念是筛选依据，不能把相似分数直接理解为对象真实身份或业务判断。

视觉样例可以把概念收得更窄

同一notebook接着使用样例框：给一个正框后返回6个实例，再加入一个负框后变为5个。这个过程表达的不是简单剪掉框外区域，而是用正负样例告诉模型，哪些外观属于想找的集合、哪些不属于。若短词太宽泛，视觉提示能提供额外区分；若选区仍不合适，还应根据当前任务检查遗漏和误选。

对于创作者，文字入口与逐点入口各有用途。知道要哪一类对象时，用短语更容易表达集合；只要某一个特殊对象或局部细节时，点、框和后续修正仍然重要。SAM 2以交互选定对象再传播的流程，与SAM 3按概念找多实例的流程，不能只因为都叫SAM就视为同一个功能。

下载与许可已换了一套条件

README要求先在Hugging Face申请SAM 3检查点访问，获准后登录认证再下载。当前运行环境说明包括Python3.12以上、PyTorch2.7以上及相应CUDA GPU，安装示例又固定了自己的版本组合。能读仓库并不等于已经获得权重或验证本机兼容。

项目使用自定义SAM License，有再分发、研究署名与用途等条件，不能沿用SAM 2的Apache 2.0描述。当前仓库还记录2026年3月的SAM 3.1多对象跟踪更新；本文解析的shoe案例属于SAM 3示例，不把3.1速度结论挪过来。实际制作前，先保留提示、实例ID与遮罩，再决定按对象集合进行哪些编辑。