In 30 Sekunden
- Segmentierung per API: Über die Meta Model API markiert
sam-3.1Objekte in Bildern und Videos mit Rahmen und pixelgenauer Maske. In Videos behält ein Objekt seine Kennung, solange es im Bild bleibt; nach Verdeckung, Aus- und Wiedereintritt oder in sehr langen Clips rät Meta davon ab, sich darauf zu verlassen. - Preis nach Menge: 2,50 US-Dollar je 1.000 Bilder, 0,20 US-Dollar je 1.000 Video-Frames, mindestens 50 Frames je Videoanfrage. 15.000 verarbeitete Frames kosten 3 US-Dollar je gesuchter Objektart, weil SAM nur einen Begriff je Anfrage zuverlässig verarbeitet; bei 25 Bildern pro Sekunde entspricht das zehn Minuten Video.
- Nur Standardmodus: Inhalte werden laut Meta nicht zum Training genutzt. Antworten werden standardmäßig gespeichert, hochgeladene Dateien verfallen ohne Ablaufzeit nicht. Null-Speicherung schaltet Meta nur gesondert und modellabhängig frei; für SAM ist sie nicht bestätigt.
- Personen sind die Grenze: Die Nutzungsrichtlinien verbieten, Einzelpersonen ohne Rechtsgrundlage anhand von Aussehen, Kleidung oder Gang zu verfolgen. Für Kamerabilder mit Beschäftigten kommen Datenschutz und Betriebsrat hinzu.
Was Unternehmen jetzt tun sollten
- Fachbereich und IT, vor dem TestEinen Anwendungsfall ohne Personen wählen, etwa Fehlstellen auf Bauteilen oder Paletten im Lager, und 50 bis 100 eigene Bilder als Prüfmenge zusammenstellen.
- Entwicklung, in der Integration
store: falsesetzen, Dateien nur mitexpires_afterhochladen und nach dem Lauf löschen. Das ist keine Null-Speicherung: Wer sie braucht, beantragt sie bei Meta und lässt sie für SAM bestätigen. - Datenschutz und Betriebsrat, bei KamerabildernVor jedem Einsatz mit Aufnahmen von Beschäftigten oder Kunden Zweck, Rechtsgrundlage und Mitbestimmung klären. Ohne diese Klärung keine Testdaten mit Personen.
Der Beitrag richtet sich an Fachbereiche aus Produktion, Logistik, Handel und Medien sowie an die Entwicklungsteams, die Bild- und Videoanalyse in eigene Anwendungen einbauen. Sinnvoll ist der Start mit einem eng umrissenen Objekt, das sich mit einem kurzen Begriff beschreiben lässt, und mit eigenen Bildern, deren Ergebnis ein Mensch sicher beurteilen kann. Ein Pilot mit Überwachungskameras oder Aufnahmen von Personen ist der falsche erste Schritt, weil dort die rechtlichen Fragen größer sind als die technischen.
Wo SAM im Angebot von Meta steht
Die Meta Model API bündelt mehrere Modellfamilien: die Muse-Sprachmodelle Wonder, Spark und Ember, Muse Image für Bilder, Muse Voice Transcribe für Sprache und, als eigene Familie, das Segment Anything Model. SAM erzeugt keinen Text und keine Bilder. Es beantwortet eine einzige Frage: Wo genau im Bild ist das gesuchte Objekt? Das Ergebnis sind Rahmen und Masken, also eine Markierung jedes Pixels, das zum Objekt gehört.
Laut SAM-Übersicht ist die aktuelle Fassung SAM 3.1 über die API verfügbar; sie läuft über denselben Endpunkt /v1/responses und denselben Schlüssel wie die Sprachmodelle. Die Gewichte hat Meta bereits am 27. März 2026 veröffentlicht, laut Repository als direkter Ersatz für SAM 3. Wer ein Objekt nicht nur finden, sondern auch beschreiben oder bewerten will, braucht zusätzlich ein Sprachmodell. Den Überblick über alle Angebote bietet die Seite Meta für Unternehmen.
Wie eine Anfrage abläuft
Eine Anfrage enthält genau ein Bild oder ein Video und einen Text. Der Text ist entweder ein kurzer Begriff wie „gelber Schulbus“ oder eine Liste von Objekt-Vorgaben mit Rahmen, Punkten oder Masken. Laut Doku zur Segmentierung funktioniert nur ein Begriff je Anfrage: Aufzählungen mit Komma oder „und“ liefern keinen oder nur einen Treffer, Fragen und Befehle arbeiten unzuverlässig. Wer drei Objektarten sucht, stellt also drei Anfragen.
Die Antwort kommt als Text, eine Zeile je Frame. Jede Zeile enthält für jedes gefundene Objekt eine Kennung, einen Rahmen in Pixeln und eine kodierte Maske. Die Kennung bleibt laut Doku zur Ausgabe gleich, solange das Objekt im Bild bleibt; daran lässt sich ein Objekt durch ein Video verfolgen. Meta rät ausdrücklich davon ab, sich bei Ein- oder Austritt aus dem Bild, nach vollständiger Verdeckung oder über sehr lange Clips auf dieselbe Kennung zu verlassen. Auf Wunsch liefert die API zu jedem Rahmen und jeder Maske einen Konfidenzwert zwischen 0 und 1. Zum Auslesen bietet Meta Bibliotheken für JavaScript und Python an. Die Animation zeigt den Ablauf schematisch.
Redaktionelle, schematische Darstellung von AI-Fabrik nach der SAM-Dokumentation der Meta Model API, abgerufen am 20. November 2026, kein Produkt-Screenshot. Die Kennung „Objekt A“ steht für die von SAM vergebene Nummer; sie gilt, solange das Objekt im Bild bleibt. Die Frames können in der echten Ausgabe Lücken haben.
Was ein Einsatz kostet
Laut Preis- und Limitseite kostet die Bildsegmentierung 2,50 US-Dollar je 1.000 Bilder und die Videosegmentierung 0,20 US-Dollar je 1.000 Frames. Jede Videoanfrage wird mit mindestens 50 Frames abgerechnet; wie viele Frames tatsächlich berechnet wurden, steht im Feld usage.video_frames_processed. Bei Objekt-Vorgaben in Videos hängt die Zahl davon ab, ob SAM vorwärts, rückwärts oder in beide Richtungen verfolgt. Das Limit liegt bei 3.000 Anfragen pro Minute und gilt je Team, nicht je Schlüssel.
| Beispiel | Menge | Rechnung | Kosten |
|---|---|---|---|
| Prüfmenge Bauteilfotos | 100 Bilder | 100 × 2,50 US-Dollar / 1.000 | 0,25 US-Dollar |
| Kurzer Clip | 20 Frames | Mindestmenge 50 × 0,20 US-Dollar / 1.000 | 0,01 US-Dollar |
| Längstes Video je Anfrage | 15.000 Frames, etwa 10 Minuten bei 25 Bildern pro Sekunde | 15.000 × 0,20 US-Dollar / 1.000 | 3,00 US-Dollar |
| Drei Objektarten im selben Video | 3 Anfragen zu je 15.000 Frames | 3 × 3,00 US-Dollar | 9,00 US-Dollar |
Eigene Rechnung von AI-Fabrik mit den Listenpreisen von Meta, Stand 20. November 2026, ohne Steuern. Annahme: Jeder Frame wird verarbeitet. Die letzte Zeile folgt daraus, dass SAM nur einen Begriff je Anfrage zuverlässig verarbeitet.
Die API-Gebühren sind damit selten der größte Posten. Teurer werden die Prüfmenge, die jemand von Hand markieren muss, um die Qualität zu messen, und die Anwendung, die aus Masken eine Entscheidung macht: ein Ausschuss-Signal, eine Zählung, ein freigestelltes Produktbild.
Was mit Bildern, Videos und Ergebnissen passiert
SAM läuft nur im Standardmodus. Für diesen Modus sagt Meta auf der Preisseite zu, dass Inhalte nicht zum Training von Meta-Modellen genutzt werden. Den günstigeren Contributor-Modus, in dem Inhalte zum Training freigegeben werden, gibt es nur für Muse Spark; wie er dort funktioniert, beschreibt der Beitrag zum Contributor-Modus der Meta Model API. Eine Null-Speicherung (Zero Data Retention) gehört laut Hilfeseite von Meta nicht zur normalen Nutzung: Meta schaltet sie auf Antrag je Organisation frei, die Unterstützung kann je Modell abweichen, und Datei-Uploads sind darunter nicht möglich. Inhalte, die gegen Richtlinien verstoßen, darf Meta auch dann bis zu zwei Jahre aufbewahren. SAM nennt die Seite nicht; die Preisseite erwähnt ZDR nur für Muse Voice Transcribe. Wer Null-Speicherung für SAM braucht, sollte sie sich schriftlich bestätigen lassen.
Drei Stellen entscheiden, was bei Meta liegen bleibt:
| Stelle | Verhalten laut Meta | Empfehlung |
|---|---|---|
| Medien direkt in der Anfrage | bis 50 MB als Datei oder Adresse; laut Doku zur Dateiverarbeitung keine Ablage, nichts aufzuräumen | für Bilder und kurze Clips der einfachste Weg |
| Hochgeladene Dateien | bis 1 GiB je Datei, 100 GiB je Team; ohne Angabe verfallen sie nicht; Ablaufzeit von einer Stunde bis 30 Tage wählbar, Löschen per API | immer mit expires_after hochladen und nach dem Lauf löschen |
| Gespeicherte Antworten | store ist standardmäßig an; gestreamte Antworten werden laut SAM-Doku nicht gespeichert; eine Speicherdauer nennt die Doku nicht | store: false setzen oder streamen; Meta selbst rät bei langen Clips dazu |
Eigene Zusammenstellung von AI-Fabrik nach der Dokumentation der Meta Model API, abgerufen am 20. November 2026.
Einen Verarbeitungsort sagt Meta nicht zu. Die Richtlinie zur geografischen Nutzung vom 9. November 2026 schließt kein EU-Land aus, hält aber fest, dass Meta bestimmt, wo der Dienst verfügbar ist, und dass die Verfügbarkeit von Modellen je Land abweichen kann. Für Bilder mit Personen, Kennzeichen oder Betriebsgeheimnissen ist das eine Frage für den Vertrag, nicht für die Doku.
Personen im Bild: Die Nutzungsrichtlinien verbieten, eine bestimmte Person ohne Rechtsgrundlage und gegebenenfalls Einwilligung anhand biometrischer Daten zu identifizieren oder über Bilder, Frames oder Orte hinweg anhand von Aussehen, Kleidung oder Gang zu verfolgen. Massenhafte Überwachung ist ausgeschlossen, Entscheidungen über Grundrechte, Gesundheit oder Sicherheit verlangen eine fachkundige Prüfung durch einen Menschen. Genau das Verfolgen über Frames ist aber die Stärke von SAM. Für Aufnahmen von Beschäftigten kommt in Deutschland die Mitbestimmung des Betriebsrats bei technischen Einrichtungen hinzu, die Verhalten oder Leistung überwachen können (§ 87 Abs. 1 Nr. 6 BetrVG). Ein Pilot sollte deshalb mit Bildern ohne Personen beginnen.
Wofür SAM 3.1 taugt und wofür nicht
Gut passt SAM zu Aufgaben, bei denen ein Objekt sich mit einem kurzen Begriff benennen lässt und die genaue Fläche zählt: Kratzer oder Fehlstellen auf Bauteilen eingrenzen, Pakete oder Paletten auf Fotos zählen, Produkte für Kataloge freistellen, Objekte in Medienarchiven markieren. Bei Videos kommt die Verfolgung über die Zeit hinzu, laut Doku für bis zu 16 Objekte je Frame. Für Zählungen hat das eine Grenze: Verschwindet eine Palette hinter einem Stapler und taucht wieder auf, kann sie eine neue Kennung bekommen und doppelt gezählt werden. Wer in Videos zählt, braucht deshalb eine eigene Regel, etwa eine Zähllinie, und eine Stichprobe mit Handzählung.
Weniger gut passt SAM, wenn die Aufgabe ein Urteil verlangt. „Ist dieses Bauteil fehlerhaft?“ ist für SAM eine Frage, kein Begriff, und Fragen arbeiten laut Meta unzuverlässig. Sinnvoll ist dann eine Kette: SAM grenzt die Stelle ein, eine eigene Regel oder ein Sprachmodell bewertet sie. Für Videos in VP9 oder WebM braucht es vorher eine Umwandlung, denn die API nimmt nur MP4 und MOV mit H.264, H.265 oder MPEG-4 an.
SAM 3.1 über die API ist für Unternehmen der leichteste Weg, Segmentierung auszuprobieren: kein eigener Grafikprozessor, niedrige Preise, klare Ausgabe. Die Lücke liegt in der Datenseite. Ohne zugesagten Verarbeitungsort und ohne bestätigte Null-Speicherung für SAM eignet sich die API vor allem für Bilder ohne Personen und ohne Geheimnisse. Für alles andere sind die offenen Gewichte die eigentliche Option.
API oder eigener Betrieb
Die Gewichte von SAM 3.1 stehen nach Freischaltung auf Hugging Face bereit, unter der eigenen SAM License. Sie erlaubt die Nutzung weltweit und gebührenfrei, verlangt bei Weitergabe eine Kopie der Lizenz und schließt unter anderem militärische Zwecke, Spionage und Waffen aus. Für Vertragspartner mit Sitz im EWR oder in der Schweiz ist Meta Platforms Ireland zuständig, es gilt kalifornisches Recht. Die Rechtsabteilung sollte die Bedingungen für den eigenen Zweck prüfen.
Laut Meta-Blog verfolgt SAM 3.1 bis zu 16 Objekte in einem Durchgang und verdoppelt damit den Durchsatz gegenüber SAM 3 von 16 auf 32 Bilder pro Sekunde auf einer H100. Das ist eine Herstellerangabe für eine bestimmte Hardware, keine Zusage für eigene Videos. Der eigene Betrieb lohnt sich, wenn Bilder das Haus nicht verlassen dürfen, wenn große Mengen laufend anfallen oder wenn Kamerastrecken in Echtzeit ausgewertet werden sollen. Er bringt dafür die üblichen Pflichten mit: Hardware, Updates, Überwachung.
Pilotfragen vor dem Einsatz
- Lässt sich das gesuchte Objekt mit einem kurzen Begriff beschreiben, oder brauchen wir Rahmen oder Punkte als Vorgabe?
- Zeigen unsere Bilder oder Videos Personen, Kennzeichen oder Betriebsgeheimnisse, und ist deren Übermittlung an Meta ohne zugesagten Verarbeitungsort zulässig?
- Haben wir
store: false, Ablaufzeiten für Dateien und das Löschen nach dem Lauf technisch umgesetzt, und brauchen wir zusätzlich eine von Meta für SAM bestätigte Null-Speicherung? - Mit welcher von Menschen markierten Prüfmenge messen wir, wie genau die Masken sind und wie oft Objekte fehlen oder falsch erkannt werden?
- Bleibt es bei der API, oder sprechen Datenart, Menge oder Echtzeitbedarf für den eigenen Betrieb mit den offenen Gewichten?
Fazit: Erst Gegenstände, dann vielleicht Menschen
SAM 3.1 macht eine anspruchsvolle Bildaufgabe für wenige Cent je Durchlauf verfügbar und liefert Ergebnisse, die sich direkt in Anwendungen weiterverarbeiten lassen. Unternehmen sollten den Einstieg dort suchen, wo nur Gegenstände im Bild sind und ein Mensch das Ergebnis sicher beurteilen kann. Für Aufnahmen von Personen fehlen in der Dokumentation Zusagen zu Ort und Speicherung; dort sind die offenen Gewichte im eigenen Rechenzentrum und eine saubere Klärung mit Datenschutz und Betriebsrat der bessere Weg.
Die nächste Entscheidung: Welcher Anwendungsfall ohne Personen eignet sich für eine Prüfmenge von 50 bis 100 eigenen Bildern?
Quellen
Meta Model API (abgerufen am 20. November 2026)
- Meta: Segment Anything Model: Overview
- Meta: Segmenting with prompts
- Meta: Reading segmentation output
- Meta: Pricing and rate limits
- Meta: File handling
- Meta: Zero data retention
- Meta: All models
Meta: Richtlinien (abgerufen am 20. November 2026)
- Meta: Acceptable Use Policy
- Meta: Geographic Use Policy, Stand 9. November 2026
Meta: Modell und offene Gewichte
- Meta: SAM 3.1: Faster and More Accessible Real-Time Video Detection and Tracking, 27. März 2026
- Meta: SAM 3 Repository und SAM License, Stand 19. November 2025
Recht
- Bundesministerium der Justiz: § 87 Betriebsverfassungsgesetz
Weiterführende Artikel auf AI-Fabrik
Jeden Freitag die neuen AI-Fabrik-Analysen kompakt per E-Mail: Modelle, Tools, DSGVO und EU AI Act mit Blick auf Unternehmen im DACH-Raum. Kostenlos, jederzeit abbestellbar.



