NVIDIA、動画AI基盤VSS Blueprint 3.3を公開

米NVIDIAは2026年9月30日、動画検索・要約向けAIエージェントの構築フレームワーク「NVIDIA Metropolis Blueprint for Video Search and Summarization (VSS)（動画解析AIエージェント構築向け参照設計アーキテクチャ）」の最新版「VSS Blueprint 3.3」を公開しました。自然言語プロンプトからエージェント全体を自動構成するコーディングエージェント向けスキルと、動画内の変化しない領域を枝刈りして計算負荷を削減する最適化技術を導入し、開発コストとGPU運用コストの双方を削減します。

プロンプトから30分でエージェントを構成・デプロイ

監視カメラや工場ラインなどの動画AIエージェントの構築では、ストリーム取り込み・イベント検知・検索インデックス・要約レポートなど複数のマイクロサービスを結合する必要があり、インフラ設計の重複と結合工数が大きな課題でした。

VSS 3.3で追加された「Build Vision Agentスキル（vss-build-vision-ai）」は、Claude CodeやCodexなどのコーディングエージェントを通じて動作します。開発者が自然言語で目的（例：「充填ラインの溢れ検知とシフト報告書の自動作成」）を指示すると、4つの検証済みプロファイル（base、alerts、lvs、search）から最適な基盤を選択し、必要最小限の差分サービスのみを追加・構成します。Kafka、Redis、Elasticsearch、VIOS（Video IO and Storage）などの共有コンポーネントを自動統合し、約30分で動作可能な環境を立ち上げられます。

「Adaptive EVS」でVLM入力トークンを80%削減

本バージョンにおける最大のランタイム改善が、適応型動画サンプリング「Adaptive EVS（フレーム間の不変パッチを間引く適応型サンプリング技術）（Adaptive Efficient Video Sampling）」です。

定点カメラの映像では大半の背景領域が静止しており、毎フレームのVLM（視覚言語モデル）処理で同じ領域を読み直すことがGPUリソースを圧迫していました。Adaptive EVSはフレーム間の画像パッチをコサイン類似度で動的に比較し、変化のない領域のビジュアルトークンを言語モデル入力前に破棄します。さらに、動きの大きいイベント発生時のみバッチ処理を実行することで効率化を図ります。

RTX PRO 6000 Blackwellでの実測性能比較

NVIDIA RTX PRO 6000 Blackwell上で視覚基盤モデルCosmos 3 Super（FP8）を動作させた検証結果では、大幅な効率化が実証されています。

評価指標	従来処理（EVSなし）	Adaptive EVS適用時	改善効果
60分動画の要約トークン数​	基準値（100%）	20%	80%削減​
60分動画の要約処理時間​	基準値	約半分	​約50%短縮​
​リアルタイム同時ストリーム数​	13ストリーム	19ストリーム	46%増加​
​アラート文脈化レイテンシ​	1,021 ms	844 ms	17%短縮​

なお、画面全体の動きが激しいシーンではトークン削減効果が低下するため、本番投入前に実際の監視映像でプルーニング率（VLM_VIDEO_PRUNING_RATE）と類似度しきい値のベンチマーク検証を行うことが推奨されています。

分析・展望：現場カメラ映像のリアルタイムエージェント化を後押し

動画解析システムの開発サイクルとハードウェアコストの壁を同時に引き下げる実践的なアップデートです。

これまでの動画VLM運用では、GPUコストの高さから常時監視の全編解析は敬遠されがちでした。Adaptive EVSによるトークン80%削減とストリーム収容数46%増により、製造現場の安全監視や物流倉庫の動線追跡など、常時稼働が求められるエンタープライズ領域でのAIエージェント導入が一気に現実的な選択肢となります。

引用元：NVIDIA Technical Blog