SAM 3 TPS-rekenmachine

Open gewichten Meta AI 850M parameters November 2025

Elke kaart hieronder wordt beoordeeld op basis van dit model met de contextlengte en minimale kwaliteit die je kiest. Snelheid is een schatting voor een enkele aanvraag, berekend op basis van de geheugendoorvoer van de kaart en de grootte van het model eenmaal gecomprimeerd..

Bereken voor dit model

818 kaarten die het kunnen draaien

818 kaarten die we hebben specificaties voor

Kleinste kaart die past

Tesla C1080

4 GB · Q8_0 · 43.4 tok/s

Snelste kaart

B200

3,986 tok/s · 180 GB

Welke GPU's kunnen draaien SAM 3?

Stel de invoer in, lees het antwoord

Een langere conversatie heeft meer geheugen nodig, wat dit model van kleinere kaarten kan duwen..

Verbergt kaarten die alleen in het model passen door het onder dit punt te comprimeren.

818 kaarten passen

Berekenen
Heeft Kwantificatie Past
3,986 tok/s

2,392–6,378 · lage vertrouwen

B200 NVIDIA 180 GB 8,000 GB/s Jan 2024 1.6 GB Q8_0 Comfortabel
3,986 tok/s

2,392–6,378 · lage vertrouwen

B300 NVIDIA 288 GB 8,000 GB/s Sep 2025 1.6 GB Q8_0 Comfortabel
3,183 tok/s

1,910–5,093 · lage vertrouwen

Radeon Instinct MI350X AMD 288 GB 8,190 GB/s Jan 2025 1.6 GB Q8_0 Comfortabel
3,183 tok/s

1,910–5,093 · lage vertrouwen

Radeon Instinct MI355X AMD 288 GB 8,190 GB/s Jan 2025 1.6 GB Q8_0 Comfortabel
2,546 tok/s

1,527–4,073 · lage vertrouwen

Radeon Instinct MI300 AMD 128 GB 6,550 GB/s Jan 2023 1.6 GB Q8_0 Comfortabel
2,437 tok/s

1,462–3,898 · lage vertrouwen

H200 NVL NVIDIA 141 GB 4,890 GB/s Nov 2024 1.6 GB Q8_0 Comfortabel
2,437 tok/s

1,462–3,898 · lage vertrouwen

H200 SXM 141 GB NVIDIA 141 GB 4,890 GB/s Nov 2024 1.6 GB Q8_0 Comfortabel
2,332 tok/s

1,399–3,731 · lage vertrouwen

Radeon Instinct MI325X AMD 256 GB 6,000 GB/s Oct 2024 1.6 GB Q8_0 Comfortabel
2,070 tok/s

1,242–3,311 · lage vertrouwen

Radeon Instinct MI300A AMD 128 GB 5,325 GB/s Dec 2023 1.6 GB Q8_0 Comfortabel
2,070 tok/s

1,242–3,311 · lage vertrouwen

Radeon Instinct MI300X AMD 192 GB 5,325 GB/s Dec 2023 1.6 GB Q8_0 Comfortabel
2,070 tok/s

1,242–3,311 · lage vertrouwen

Radeon Instinct MI308X AMD 192 GB 5,325 GB/s Dec 2023 1.6 GB Q8_0 Comfortabel
1,963 tok/s

1,178–3,141 · lage vertrouwen

H100 NVL 94 GB NVIDIA 94 GB 3,940 GB/s Mar 2023 1.6 GB Q8_0 Comfortabel
1,674 tok/s

1,005–2,679 · lage vertrouwen

H100 PCIe 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.6 GB Q8_0 Comfortabel
1,674 tok/s

1,005–2,679 · lage vertrouwen

H100 SXM5 80 GB NVIDIA 80 GB 3,360 GB/s Oct 2022 1.6 GB Q8_0 Comfortabel
1,674 tok/s

1,005–2,679 · lage vertrouwen

H100 SXM5 94 GB NVIDIA 94 GB 3,360 GB/s Mar 2023 1.6 GB Q8_0 Comfortabel
1,674 tok/s

1,005–2,679 · lage vertrouwen

H100 SXM5 96 GB NVIDIA 96 GB 3,360 GB/s Mar 2023 1.6 GB Q8_0 Comfortabel
1,674 tok/s

1,005–2,679 · lage vertrouwen

H800 SXM5 NVIDIA 80 GB 3,360 GB/s Mar 2023 1.6 GB Q8_0 Comfortabel
1,275 tok/s

765–2,040 · lage vertrouwen

Radeon Instinct MI250 AMD 128 GB 3,280 GB/s Nov 2021 1.6 GB Q8_0 Comfortabel
1,275 tok/s

765–2,040 · lage vertrouwen

Radeon Instinct MI250X AMD 128 GB 3,280 GB/s Nov 2021 1.6 GB Q8_0 Comfortabel
1,062 tok/s

637–1,700 · lage vertrouwen

Data Center GPU Max 1550 Intel 128 GB 3,280 GB/s Jan 2023 1.6 GB Q8_0 Comfortabel
1,040 tok/s

624–1,663 · lage vertrouwen

Data Center GPU Max Subsystem Intel 128 GB 3,210 GB/s Jan 2023 1.6 GB Q8_0 Comfortabel
1,016 tok/s

610–1,626 · lage vertrouwen

A100 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Nov 2020 1.6 GB Q8_0 Comfortabel
1,016 tok/s

610–1,626 · lage vertrouwen

A100X NVIDIA 80 GB 2,040 GB/s Jun 2021 1.6 GB Q8_0 Comfortabel
1,016 tok/s

610–1,626 · lage vertrouwen

A800 SXM4 80 GB NVIDIA 80 GB 2,040 GB/s Aug 2022 1.6 GB Q8_0 Comfortabel
1,016 tok/s

610–1,626 · lage vertrouwen

H100 CNX NVIDIA 80 GB 2,040 GB/s Mar 2023 1.6 GB Q8_0 Comfortabel

Snelheden zijn schattingen voor een enkele aanvraag — één gesprek tegelijk — berekend vanuit geheugendebandbreedte, modelgrootte en kwantisatie. De werkelijke doorvoer varieert met de inferentietijd en de versie ervan. Cijfers gepubliceerd door hardwareleveranciers meten veel gelijktijdige aanvragen en zijn veel hoger.

Op record

Volledige specificatie

Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..

Oorsprong

Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.

Organisatie
Meta AI
Organisatietype
Industry
Land
United States of America
Gepubliceerd
20 November 2025
Auteurs
Nicolas Carion, Laura Gustafson, Yuan-Ting Hu, Shoubhik Debnath, Ronghang Hu, Didac Suris, Chaitanya Ryali, Kalyan Vasudev Alwala, Haitham Khedr, Andrew Huang, Jie Lei, Tengyu Ma, Baishan Guo, Arpit Kalla, Markus Marks, Joseph Greer, Meng Wang, Peize Sun, Roman Rädle, Triantafyllos Afouras, Effrosyni Mavroudi, Katherine Xu, Tsung-Han Wu, Yu Zhou, Liliane Momeni, Rishi Hazra, Shuangrui Ding, Sagar …

Wat het doet

De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.

Domein
Vision
Taak
Image segmentation

Grootte

Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.

parameters
850M

"SAM 3 has ∼850M parameters, distributed as follows: ∼450M and ∼300M for the vision and text encoders (Bolya et al., 2025), and ∼100M for the detector and tracker components"

Training gegevens
tokens

Training rekenen

De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.

Training rekenen
2 × 10²³ FLOP

"The released SAM 3 was trained on 172k A100 GPU hours and 86k H200 GPU hours." A100 contribution = 172000 hours * 3600 seconds/hour * 312,000,000,000,000 TF16 (assumed precision) FLOPS * 0.4 (estimated utilization) = 77276160000000000000000 FLOP. H200 contribution = 86000 hours * 3600 seconds/hour * 989,500,000,000,000 TF16 (assumed precision) FLOPS * 0.4 (estimated utilization) = 122539680000000000000000 FLOP Total = 2.9981584e+23 FLOP

Beschikbaarheid

Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.

Gewichten
Open — downloadable
Toegang tot model
Open weights (restricted use)

Hoe het is geclassificeerd

Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.

Record vertrouwen
Likely

Bronnen

Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.

Referentie
SAM 3: Segment Anything with Concepts
Laatst bijgewerkt
8 April 2026

De extremen

De tien snelste GPU's die draaien SAM 3

Gerangschikt op geschatte tokens per seconde, nieuwste kaart eerst waar snelheden gelijk zijn. Omdat generatie gebonden is aan geheugensnelheid, volgt deze ordening de snelheid in plaats van een gamebenchmark..

  1. 01 B300 288 GB · 8,000 GB/s · Q8_0 3,986 tok/s
  2. 02 B200 180 GB · 8,000 GB/s · Q8_0 3,986 tok/s
  3. 03 Radeon Instinct MI350X 288 GB · 8,190 GB/s · Q8_0 3,183 tok/s
  4. 04 Radeon Instinct MI355X 288 GB · 8,190 GB/s · Q8_0 3,183 tok/s
  5. 05 Radeon Instinct MI300 128 GB · 6,550 GB/s · Q8_0 2,546 tok/s
  6. 06 H200 NVL 141 GB · 4,890 GB/s · Q8_0 2,437 tok/s
  7. 07 H200 SXM 141 GB 141 GB · 4,890 GB/s · Q8_0 2,437 tok/s
  8. 08 Radeon Instinct MI325X 256 GB · 6,000 GB/s · Q8_0 2,332 tok/s
  9. 09 Radeon Instinct MI300A 128 GB · 5,325 GB/s · Q8_0 2,070 tok/s
  10. 10 Radeon Instinct MI300X 192 GB · 5,325 GB/s · Q8_0 2,070 tok/s

De kleinste GPU's die nog steeds draaien SAM 3

De goedkoopste route erin, op basis van geheugencapaciteit. Een krappe pasvorm draait het model maar laat niets over voor een langer gesprek..

  1. 01 GeForce RTX 4010 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 47.8 tok/s
  2. 02 RTX A400 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 47.8 tok/s
  3. 03 RTX 500 Mobile Ada Generation 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 63.8 tok/s
  4. 04 GeForce RTX 3050 A Mobile 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 95.7 tok/s
  5. 05 Jetson Orin Nano 4 GB 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 17.0 tok/s
  6. 06 Radeon RX 6450M 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 49.8 tok/s
  7. 07 Radeon RX 6550M 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 56.0 tok/s
  8. 08 Radeon RX 6550S 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 49.8 tok/s
  9. 09 Arc A310 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 40.2 tok/s
  10. 10 Arc Pro A30M 4 GB · Heeft 1.6 GB · Q8_0 · Comfortabel 41.5 tok/s

Wat de cijfers betekenen

Wat nodig is om dit model te draaien

Minimum kaart

Tesla C1080

Geheugen nodig

1.6 GB

Snelste

3,986 tok/s

SAM 3 bereikt een parameter telling van 850M. Dat is klein genoeg zodat hardware zelden de obstakel is, inclusief op kaarten van enkele jaren oud. Het aantal kaarten dat we volgen die het kunnen draaien: 818.

De kleinste kaart die het vasthoudt is Tesla C1080, met een geheugen capaciteit van 4 GB, het draaien ervan met een compressie van Q8_0 en produceren rond 43.4 tokens per seconde

Top van het assortiment is B200, genereren ongeveer 3,986 tokens per seconde op basis van een geheugendoorbandsnelheid van 8,000 GB/s.

Waar het vandaan kwam

SAM 3 werd gepubliceerd door Meta AI, in het land geregistreerd als United States of America, tijdens November 2025. Het komt uit een organisatie gecategoriseerd als industry.

Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image segmentation.

Het feit dat de gewichten open zijn, is wat deze pagina in de calculator plaatst in plaats van alleen in de catalogus: het is een model dat je daadwerkelijk kunt vasthouden.

Begrijpen van de snelheden

Over elke kaart die het kan draaien, ligt het midden van het bereik op 111.9 tokens per seconde. Het produceren van tekst sneller dan de meeste mensen het lezen. 809 van hen

Elke gewicht participeert in elke token hier, dus bandbreedte is het hele verhaal: de ranking hieronder is effectief een ranking van geheugendoorvoer.

De interne architectuur is niet gedocumenteerd, dus het geheugen wordt geschat op basis van het aantal parameters en dienovereenkomstig gemarkeerd. Verwacht dat de werkelijke waarde verschilt, vooral bij lange context.

Training en herkomst

Training kostte een rekensbudget van ongeveer 2 × 10²³ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.

Stap voor stap

Hoe een GPU te kiezen voor SAM 3

De tabel hierboven heeft elke kaart die we specificaties voor hebben al vergeleken met dit model. Het bereiken van uw antwoord kost zes stappen..

  1. 01

    Controleer wat het nodig heeft voordat iets anders.

    Begin met wat het eigenlijk nodig heeft, namelijk de vereiste van SAM 3, ongeveer nodig 1.6 GB bij een compressie van Q8_0. Die figuur, niet de hoofdtitelprestaties van een kaart, is wat bepaalt of het draait.

  2. 02

    Bepaal hoe lang je gesprekken duren

    Het gesprek verbruikt ook geheugen en groeit naarmate het vordert. Stel de schuifregelaar in op de lengte die je verwacht, want bij lange CONTEXT kan een KAART die korte vragen gemakkelijk afhandelt, verworpen worden door SAM 3.

  3. 03

    Stel een kwaliteitsvloer in

    Elke kaart draait de minst-gecomprimeerde kopie die hij kan vasthouden., bereiken van een compressie van Q8_0 op de kleinste kaart die past. Het instellen van een minimumkwaliteit laat de kaarten vallen die het alleen maar beheersen door verder te persen dan je zou willen, en houdt de vergelijking op één niveau.

  4. 04

    Sorteer op snelheid

    De snelheid volgorde is effectief een volgorde op basis van GPU VRAM. SAM 3. Het zal niet passen bij een gaming bestelling, omdat generatie gebonden is aan geheugenbandbreedte. De kaart bovenaan de lijst is B200, bij 3,986 tok/s

  5. 05

    Lees de passen kolom laatst

    De fit-kolom scheidt kaarten die het net halen van die met ruimte over, in het geval van SAM 3. Comfortabel betekent dat je de context later kunt vergroten. Dat verschil is belangrijker dan een paar tokens per seconde, dus koop voor comfortabel als je dat verwacht.

  6. 06

    Controleer de kaart vanaf de andere kant

    Het volgen van een GPU-kaart naar zijn eigen pagina toont elk ander model dat het kan bevatten, wat de vraag is die volgt zodra je je hebt ingesteld op SAM 3.

Antwoorden

SAM 3 — veelgestelde vragen

01

SAM 3— Zouden twee GPU's het sneller draaien?

Twee kaarten kopen geheugen in plaats van snelheid, wat alleen van belang is als één kaart het niet kan bevatten. Het aantal dat kan: 818. Dus een tweede card is zelden het antwoord hier.

02

SAM 3— waarom verschilt de quantisatie tussen kaarten?

Elke kaart wordt weergegeven met de minst-gecomprimeerde kopie die hij kan bevatten. Het aantal verschillende compressieniveaus op de kaarten die het kunnen houden: 1. Grotere CARDS krijgen de meer nauwkeurige versie, en de kwaliteitsvloer boven pins beperkt de vergelijking tot één niveau.

03

SAM 3— hoe nauwkeurig zijn deze snelheidsschattingen?

Dit zijn schattingen met echte foutmarges, en elk van hen zou redelijkerwijs ergens binnen zijn gepubliceerde bereik kunnen vallen, afhankelijk van welke runtime je gebruikt. Het snelste resultaat hier: 2,392–6,378 tok/s op B200. Hetzelfde model en kaart variëren met dertig tot vijftig procent, afhankelijk van de inferentiesoftware en de versie ervan.

04

SAM 3— Welke GPU heb ik nodig om het te draaien?

De kleinste kaart in onze catalogus die het vasthoudt is Tesla C1080, met een geheugen capaciteit van 4 GB. Het draait het model op een compressie van Q8_0 ongeveer 1.6 GB, en produceert ongeveer 43.4 tokens per second. Het aantal kaarten dat het totaal kan draaien: 818.

05

SAM 3— hoe snel is het op een GPU?

Het hangt af van de kaart. De snelste die we berekenen is B200, ongeveer 3,986 tokens per seconde; de langzaamste die het nog steeds draait haalt aanzienlijk minder. De leessnelheid is rond de tien tokens per seconde, en het aantal kaarten dat dat haalt: 809.

06

SAM 3— hoeveel VRAM heeft het nodig?

Het heeft ongeveer 1.6 GB bij een compressie van Q8_0, welke is wat de kleinste card die het draait gebruikt. Minder compressie heeft meer nodig: de cijfers in de memory-kolom hierboven worden opnieuw berekend voor elke card, omdat elke card de minst gecomprimeerde versie kan vasthouden.

07

SAM 3— kan ik het draaien op een GPU met 8 GB?

Ja. De GPU kaart CMP 170HX 8 GB, houden 8 GB, draait het met een compressie van Q8_0, ongeveer 1.6 GB en genereren ongeveer 742 tokens per second. De fit is comfortabel.

08

SAM 3— kan ik het draaien op een GPU met 12 GB?

Ja. De GPU kaart GeForce RTX 3080 Ti, houden 12 GB, draait het met een compressie van Q8_0, ongeveer 1.6 GB en genereren ongeveer 455 tokens per second. De fit is comfortabel.

09

SAM 3— kan ik het draaien op een GPU met 16 GB?

Ja. De GPU kaart Tesla V100 SXM2 16 GB, houden 16 GB, draait het met een compressie van Q8_0, ongeveer 1.6 GB en genereren ongeveer 563 tokens per second. De fit is comfortabel.

10

SAM 3— kan ik het draaien op een GPU met 24 GB?

Ja. De GPU kaart GeForce RTX 5090 D V2, houden 24 GB, draait het met een compressie van Q8_0, ongeveer 1.6 GB en genereren ongeveer 668 tokens per second. De fit is comfortabel.

11

SAM 3— is het open-source?

De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.

12

SAM 3— hoeveel parameters heeft het?

Het heeft een parameter telling van 850M. "SAM 3 has ∼850M parameters, distributed as follows: ∼450M and ∼300M for the vision and text encoders (Bolya et al., 2025), and ∼100M for the detector and tracker components". Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.

13

SAM 3— wie heeft het gemaakt?

Het werd gepubliceerd door Meta AI, gebaseerd op United States of America, een organisatie geclassificeerd als industry.

14

SAM 3— wanneer is het uitgebracht?

Het werd gepubliceerd in November 2025.

15

SAM 3— waarvoor wordt het gebruikt?

Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image segmentation. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.

16

SAM 3— waar kan ik het downloaden?

De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.

17

SAM 3— hoeveel rekencapaciteit is gebruikt om het te trainen?

Training verbruikte ongeveer 2 × 10²³ FLOP. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.

18

SAM 3— kan ik het draaien als het niet in mijn GPU past?

Alleen door af te laden, wat meestal een valse economie is: het deel dat in systeemgeheugen wordt vastgehouden, houdt het hele ding tegen. Elke figuur hier gaat ervan uit dat het hele model op de kaart staat.

Bron

Originele publicatie

Laatste update geregistreerd 8 April 2026

De andere richting

Van de andere kant bekijken?

Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.

Alle AI-modellen