La segmentation des ressources 3D en leurs composants constitutifs est essentielle pour améliorer la compréhension des objets 3D, favoriser la réutilisation des modèles et soutenir diverses applications, telles que la génération de parties. Toutefois, les méthodes actuelles présentent des limites, notamment une faible robustesse face aux objets complexes, et ne permettent pas une automatisation complète du processus. Dans cet article, nous proposons un modèle natif de segmentation de parties à point-promptable en 3D, nommé P3-SAM, conçu pour automatiser entièrement la segmentation de tout objet 3D en ses composants. Inspiré par SAM, P3-SAM se compose d’un extracteur de caractéristiques, de plusieurs têtes de segmentation et d’un prédicteur d’IoU (indice de surapprentissage), permettant ainsi une segmentation interactive. Nous proposons également un algorithme pour sélectionner automatiquement et fusionner les masques prédits par notre modèle, afin d’obtenir une segmentation d’instances de parties. Notre modèle est entraîné sur un nouveau jeu de données comprenant près de 3,7 millions de modèles munis d’étiquettes de segmentation raisonnablement annotées. Les comparaisons montrent que notre méthode atteint des résultats précis de segmentation et une robustesse élevée sur des objets complexes, obtenant des performances de pointe (state-of-the-art). Le code source sera bientôt publié.