Przejdź do treści

Narzędzia AI

Sapiens2 Meta AI: co potrafi model do analizy ludzkiej postaci

Zaktualizowano: Autor: Andrzej Niemiec11 min czytania

Sapiens2 to modele Meta Reality Labs do analizy obrazu człowieka. Sprawdzamy, co potrafią, jakie mają wyniki w benchmarkach i czy zastępują motion capture.

Spis treści
  1. Czym jest Sapiens2 i kiedy go opublikowano?
  2. Czy Sapiens2 zastąpi motion capture w studiach VR?
  3. Jakie zadania obsługuje Sapiens2?
  4. Jakie wyniki osiąga Sapiens2 w benchmarkach?
  5. Jak Sapiens2 wypada na tle innych sposobów pozyskania ruchu?
  6. Na jakiej licencji udostępniono Sapiens2?
  7. Ile kosztuje wdrożenie Sapiens2 w firmie?
  8. Czy polskie studia VR zrezygnowały z motion capture?
  9. Gdzie Sapiens2 ma realne zastosowanie?
  10. Najczęstsze pytania
  11. Źródła

Czym jest Sapiens2 i kiedy go opublikowano?

Sapiens2 to druga generacja modeli Meta Reality Labs do percepcji człowieka na obrazie. Pracę przyjęto na ICLR 2026, a preprint arXiv ukazał się 23 kwietnia 2026 r. [1][2]. Rodzina obejmuje modele od 0,4 do 5,07 mld parametrów, z natywną rozdzielczością 1K i hierarchicznymi wariantami 4K [1]. Kod i wagi są dostępne w publicznym repozytorium [3].

Meta rozwija równolegle dwie linie produktów: badawcze modele percepcji, do których należy Sapiens2, oraz asystenckie modele z rodziny Muse, wykorzystywane w aplikacji Meta AI [9]. Sapiens2 nie jest funkcją asystenta i nie odpowiada na pytania użytkownika — to narzędzie dla zespołów, które przetwarzają obrazy ludzi. Sam asystent Meta AI jest dostępny w Polsce od europejskiego wdrożenia z marca 2025 r. [10], a podstawowe informacje o nim zebraliśmy na stronie Meta AI.

Badania nad rodziną Sapiens2 opierają się na dużej skali danych. Autorzy deklarują trening na około miliardzie obrazów ludzi [12]. Skala przekłada się na liczbę obsługiwanych zadań i rozdzielczość, ale nie przesądza o jakości w konkretnym wdrożeniu produkcyjnym [2][3].

Czy Sapiens2 zastąpi motion capture w studiach VR?

Nie. Sapiens2 wykonuje zadania percepcji obrazu, a produkcyjny motion capture to proces szerszy: sprzęt, kalibracja, tracking, synchronizacja czasu, retargeting i czyszczenie danych [5]. Model może skrócić analizę materiału wideo, ale nie zastępuje instalacji kamer ani pracy animatorów.

Warszawskie studio Platige Image opisuje własną instalację performance capture: 62 kamery OptiTrack, scenę o wymiarach 20 na 13 metrów oraz odrębne systemy rejestracji twarzy i dłoni [5]. To pokazuje, ile elementów składa się na gotowy pipeline. Model generuje dane opisujące ciało, ale decyzje o kalibracji, synchronizacji i retargetingu pozostają po stronie zespołu.

Warto też rozdzielić dwa pojęcia, które często się miesza. Motion capture rejestruje ruch aktora na potrzeby animacji, natomiast tracking VR odwzorowuje pozycję i ruch użytkownika w czasie rzeczywistym, wewnątrz interaktywnego środowiska [6]. Sapiens2 jest bliżej pierwszego zastosowania i nie jest komponentem systemu śledzenia w headsetach.

Jakie zadania obsługuje Sapiens2?

Sapiens2 obsługuje estymację pozy, segmentację części ciała, mapy punktów 3D (pointmaps), wektory normalnych, albedo oraz matting człowieka [3][1]. Zadania korzystają ze wspólnego rdzenia, więc zespół nie musi utrzymywać osobnych modeli dla każdej funkcji.

Estymacja pozy obejmuje 308 punktów kluczowych [1]. Zbiór treningowy zawiera także 100 tys. obrazów in the wild z adnotacjami pozy i segmentacji [1]. Segmentacja zwraca maski części ciała, pointmapy opisują powierzchnię w 3D, a wektory normalnych i albedo służą do oświetlenia i teksturowania. Matting oddziela sylwetkę od tła.

Dla studia VR oznacza to jedno źródło danych zamiast kilku narzędzi. Nadal jednak potrzebny jest etap przygotowania materiału i oceny jakości — model zwraca predykcje, a nie gotowe animacje z korektą animatora. To różnica, którą łatwo pominąć przy porównywaniu modelu z systemem produkcyjnym.

Jakie wyniki osiąga Sapiens2 w benchmarkach?

Największy wariant osiąga 82,3 mAP w teście pozy na 308 punktach kluczowych, o 4 punkty więcej niż Sapiens-2B, oraz 82,5 mIoU w segmentacji, o 24,3 punktu więcej od poprzedniej generacji [11]. To wyniki benchmarków badawczych, a nie gwarancja jakości w konkretnym studiu.

Publikacja podkreśla, że modele są przeznaczone do analizy obrazów ludzi, a nie do kompletnego przechwytywania ruchu [1][2]. Postęp względem poprzedniej generacji jest mierzalny, ale dotyczy zadań percepcyjnych: rozpoznawania punktów, masek i geometrii. Nie mówi nic o jakości retargetingu ani o odporności na warunki planu zdjęciowego.

Jak Sapiens2 wypada na tle innych sposobów pozyskania ruchu?

KryteriumSapiens2Klasyczny mocap optycznyRokoko Studio
Dane wejścioweobrazy i wideo ludziruch aktora w scenie z kamerami [5]ruch aktora rejestrowany dostępnym sprzętem [7]
Wynikpunkty kluczowe, maski, pointmapy, normals, albedo [3]dane do animacji po obróbce [5]dane motion capture [7]
Próg wejściawdrożenie modelu we własnym środowisku [3]instalacja 62 kamer i scena 20 na 13 metrów [5]plan Starter za 0 USD, płatne plany od 10 USD miesięcznie [7]

Porównanie pokazuje różnicę charakteru, nie tylko parametrów. Sapiens2 przetwarza istniejący materiał i zwraca predykcje [3]. Klasyczny mocap wymaga sesji w studiu i instalacji kamer [5]. Narzędzia niskokosztowe obniżają próg wejścia: Rokoko Studio ma plan Starter za 0 USD, a płatne plany zaczynają się od 10 USD miesięcznie [7]. Każda z tych dróg kończy się podobnym etapem: obróbką danych przed wdrożeniem animacji.

Na jakiej licencji udostępniono Sapiens2?

Sapiens2 jest dostępny w repozytorium GitHub na licencji Sapiens2, a nie na bezwarunkowej licencji open source [3][4]. Licencja zakazuje między innymi zastosowań do nadzoru i przetwarzania biometrycznego oraz nakłada obowiązki zgodności z prawem prywatności.

Przed wdrożeniem komercyjnym trzeba przeczytać warunki i sprawdzić, czy planowane użycie mieści się w dozwolonym zakresie [4]. Samo udostępnienie wag nie oznacza dowolności zastosowań — to częste nieporozumienie przy modelach określanych jako open-weight.

Ile kosztuje wdrożenie Sapiens2 w firmie?

Nie ma jednej ceny. Trzeba rozdzielić trzy warstwy: koszt modelu i środowiska obliczeniowego, koszt oprogramowania oraz koszt pracy ludzi, którzy przygotowują i czyszczą dane [5][7]. Sam model nie daje gotowej animacji bez tych etapów.

Warstwę oprogramowania pokazuje przykład Rokoko: plan Starter jest bezpłatny, a płatne plany kosztują od 10 USD miesięcznie, przy czym zakres funkcji zależy od planu [7]. Warstwa sprzętowa i pracy zależy od skali produkcji. Dla studia oznacza to raczej zmianę proporcji kosztów niż ich wyeliminowanie.

Czy polskie studia VR zrezygnowały z motion capture?

Nie ma na to potwierdzenia w dostępnych źródłach. Publikacje Meta opisują model i jego zastosowania, ale nie dokumentują decyzji polskich studiów ani zmian w ich budżetach [1][2]. Nie ma też danych o zaprzestaniu zakupów sprzętu do motion capture w Polsce.

Rynek VR w Polsce rośnie w tempie dwucyfrowym, co pokazują doniesienia branżowe [13]. Wzrost rynku i inwestycje w produkcję nie wykluczają oszczędności, ale nie są dowodem na masową rezygnację z motion capture. Ostrożność jest tu wskazana również przy nazwach firm: pod nazwą Immersive Stories działa studio z Kopenhagi, zajmujące się produkcją VR, podcastów i filmu [8].

Gdzie Sapiens2 ma realne zastosowanie?

Sapiens2 sprawdza się tam, gdzie potrzebna jest analiza obrazu człowieka: przygotowanie animacji bez markerów, analiza ruchu, prace wizualne i badania nad percepcją. Model porządkuje dane o ciele, które zespół może wykorzystać dalej.

W źródłach nie ma potwierdzonych wdrożeń w polskich studiach ani szpitalach. Zamiast opierać plan na takich doniesieniach, lepiej sprawdzić model na własnym materiale i zmierzyć jakość na docelowym typie ujęć. Warto też porównać koszt wdrożenia z alternatywami opisanymi w tekstach o modelach open-weight, na przykład Cohere Command-A+ kontra Llama 3.1 i Ollama + Qwen3-Coder + OpenCode. Kontekst zmian w zespole Meta AI opisuje artykuł Zwolnienia w Meta AI.

Najczęstsze pytania

Czym Sapiens2 różni się od systemu motion capture?

Sapiens2 analizuje obrazy i zwraca predykcje dotyczące ciała: punkty kluczowe, maski i geometrię 3D. System motion capture rejestruje ruch aktora i wymaga sprzętu, kalibracji, synchronizacji oraz obróbki danych [5]. Model może wspierać etapy przygotowawcze, ale nie zastępuje instalacji ani pracy animatorów przy czyszczeniu i retargetingu.

Czy Sapiens2 jest darmowy?

Wagi i kod są dostępne w publicznym repozytorium, ale na licencji Sapiens2, która nie jest bezwarunkową licencją open source [3][4]. Licencja zakazuje wykorzystania do nadzoru i przetwarzania biometrycznego oraz nakłada obowiązki zgodności z prawem prywatności. Warunki trzeba sprawdzić przed wdrożeniem komercyjnym, a w źródłach nie ma potwierdzonego cennika API.

Ile punktów kluczowych wykrywa Sapiens2?

Estymacja pozy w Sapiens2 obejmuje 308 punktów kluczowych [1]. Zbiór treningowy zawiera dodatkowo 100 tys. obrazów in the wild z adnotacjami pozy i segmentacji [1]. Liczba punktów przekłada się na szczegółowość opisu dłoni i twarzy, ale o jakości w konkretnym ujęciu decydują warunki nagrania oraz materiał wejściowy.

Czy Sapiens2 nadaje się do trackingu w headsetach VR?

Nie ma na to dowodów w dostępnych źródłach. Tracking VR odwzorowuje pozycję użytkownika w czasie rzeczywistym, a motion capture rejestruje ruch na potrzeby animacji — to różne zastosowania [6]. Sapiens2 opisano jako model do percepcji człowieka na obrazie, nie jako komponent systemu śledzenia w headsetach [1][2].

Czy polskie studia VR przestały płacić za motion capture?

Nie ma potwierdzenia takiej zmiany. Źródła opisują model i jego zastosowania, ale nie dokumentują decyzji polskich studiów ani zmian budżetów [1][5]. Rynek VR w Polsce rośnie w tempie dwucyfrowym według doniesień branżowych [13], co nie jest dowodem na rezygnację z motion capture.

Źródła

  1. Sapiens2 (arXiv, 2026)
  2. Published as a conference paper at ICLR 2026: Sapiens2 (ICLR, 2026)
  3. facebookresearch/sapiens2 (GitHub, 2026)
  4. sapiens2/LICENSE.md (GitHub, 2026)
  5. Platige Mocap Studio (Platige)
  6. VR Motion Tracking Explained (Sandbox VR)
  7. Free 3D animation software to record, stream and edit motion capture data (Rokoko)
  8. Immersive Stories VR, Podcast and Film by Ane Skak (Immersive Stories)
  9. AI at Meta: Meta AI Products, Models and Research (Meta, 2026)
  10. Europe, Meet Your Newest Assistant: Meta AI (Meta, 2025)
  11. Sapiens2 (arXiv HTML, 2026)
  12. Meta Sapiens2: Gigantyczna skala wizji komputerowej, która rzuca wyzwanie ludzkiej anatomii (AI Sight)
  13. Polskie studia walczą o graczy. VR zdobywa rynek (rp.pl)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji