SAM 2 conserva la interacción que popularizó al primer Segment Anything Model —señalar, enmarcar o enmascarar lo que quieres— y la extiende a la dimensión temporal. Un módulo de memoria por sesión guarda información del objeto objetivo, de modo que el modelo puede seguirlo por los fotogramas siguientes incluso si queda ocluido o sale del encuadre, y las indicaciones adicionales en cualquier fotograma refinan la máscara prevista. Cuando la entrada es una imagen fija la memoria está vacía y el comportamiento equivale al SAM clásico.
Su arquitectura es de streaming y procesa los fotogramas de uno en uno, lo que habilita aplicaciones interactivas en tiempo real y un procesamiento por lotes eficiente. Meta reporta resultados de vanguardia: mejora a SAM en segmentación de imágenes y supera a los modelos previos en segmentación de objetos en vídeo, sobre todo en partes de objetos, requiriendo además menos interacción del usuario. Los datos de entrenamiento incluyen SA-V, un gran conjunto de segmentación de vídeo con unos 600 000 masklets sobre aproximadamente 51 000 vídeos recogidos en 47 países, que Meta liberó como código abierto junto al modelo.
La publicación está claramente orientada a la innovación abierta: se distribuyen un modelo preentrenado, el conjunto SA-V, código de ejemplo y una demo en el navegador para que investigadores y desarrolladores construyan sobre ello. Los usos típicos incluyen edición y efectos de vídeo, etiquetado de datos, robótica y canalizaciones de percepción, flujos de imagen médica o científica, y como frontal de segmentación para otros sistemas generativos o de edición. Conviene tener en cuenta que Meta publica fichas de modelo con usos previstos, evaluaciones de equidad y limitaciones, y que el uso comercial de los pesos se rige por la licencia asociada a la publicación.