NVIDIA これまで本当に武徳を語らず、直接オープンソースの動画理解の怪物を放出

Nemotron 3 Nano Omni、動画処理が信じられないほど高速：1時間で10時間の動画内容を処理可能、再生速度の10倍
核は3D畳み込み技術にあり、もうフレームごとに無駄にスキャンするのではなく、データを塊で「飲み込む」ことで効率を最大化
今後これらのシナリオは本当に快適：
24時間監視で「ヘルメット未着用で口論している人」を見つける
数百の素材の中から「波の音がして夕日が映っている」シーンを正確に特定
機械の動作音だけを聞いてモーターの異音を診断
数分で解決、Whisperの費用も節約
ただし注意点：この人は典型的な偏った学生
スキルポイントはマルチモーダル理解と処理効率に全振りしており、コードを書いたり高難度のテキスト推論をさせると、軽量な純テキストモデルよりもパフォーマンスが劣ることも
結論：万能プログラマーと考えないでください、しかし音声・動画分析や大量素材のタグ付けといった実戦シーンでは、間違いなくオープンソース界の神
AI動画やマルチモーダルの兄弟たち、このプロジェクトは絶対試すべき
プロジェクトのURLはコメント欄にあります👇