Az NVIDIA új VSS Blueprintje olcsóbbá teszi a videós AI-ügynököket

Egy utasításból áll össze a videóelemző rendszer

Az NVIDIA szeptember 29-én közzétett bejelentése szerint a VSS Blueprint 3.3 a vizuális nyelvi modelleket, például az NVIDIA Cosmos modelleket, az NVIDIA Nemotron nagy nyelvi modelljeit, a keresés-kiegészített generálást és a Model Context Protocol eszközeit kapcsolja össze. A rendszer élő és rögzített videókból természetes nyelvű keresést, vizuális kérdés-válasz funkciót, ellenőrzött riasztásokat és automatizált jelentéseket készíthet.

Az új Build Vision Agent képesség, amelynek neve vss-build-vision-ai, a fejlesztő természetes nyelvű kéréséből állítja össze a telepítést. A folyamat négy validált fejlesztői profil egyikéből indul ki. Ezek a sűrű képaláírásra és kérdés-válaszra épülő Foundation profil, a riasztásokhoz használható alerts profil, a hosszú videók összefoglalását végző lvs profil, valamint az objektum- és videóbeágyazásokra épülő search profil.

Az ügynök csak azokat a szolgáltatásokat adja hozzá vagy távolítja el, amelyekre a kért képességnek szüksége van. A közös infrastruktúrát, például a Kafka, Redis és Elasticsearch komponenseket egyetlen példányra vonja össze, miközben az egymástól független indexeket külön kezeli. Ha a szabályok alapján nem dönthető el egy beállítás, a rendszer egy strukturált kérdést tesz fel.

Kevesebb videótokennel működhet a feldolgozás

A VSS 3.3 másik újdonsága az Adaptive Efficient Video Sampling, röviden Adaptive EVS. A megoldás képkockánként eltávolítja azokat a vizuális tokeneket, amelyek változatlan képrészletekhez tartoznak, és a VLM-feldolgozást az aktivitással járó időszakok köré csoportosítja.

Az NVIDIA mérése szerint egy RTX PRO 6000 Blackwell GPU-n, Cosmos 3 Super FP8 használatával az Adaptive EVS 17 százalékkal csökkentette a riasztások környezetének feldolgozási késleltetését, miközben 46 százalékkal növelte az egyidejű, valós idejű VLM-folyamatok számát. Egy 60 perces videó összefoglalása körülbelül feleannyi idő alatt készült el, 80 százalékkal kevesebb VLM-bemeneti token felhasználásával.

A vállalat hangsúlyozza, hogy az eredmények a jelenetek mozgásától, a feldolgozási részek hosszától és a hasonlósági küszöbtől is függnek. Az Adaptive EVS a VSS valós idejű VLM-mikroszolgáltatásába épül be, és képkockánként, képrészletenként dönti el, mely tokeneket tartja meg.

Bottling-line bemutató kevesebb mint fél óra alatt

Az NVIDIA bemutatója egy narancslé-palackozó sort modellezett. A Build Vision Agent egyetlen utasításból olyan telepítést készített, amelyben keresés, riasztás-ellenőrzés és műszakjelentés is működött. A vállalat szerint a rendszer kevesebb mint 30 perc alatt létrejött és előnézetben is megtekinthetővé vált egy két GPU-val felszerelt RTX PRO 6000 Blackwell gazdagépen.

A telepítés során az ügynök a detektor GPU-ját használta az FP8-as Cosmos 3 Nano futtatásához. A bemutatóban szereplő kiömlést szintetikusan generálták. A VSS Agent Skills olyan kódolási ügynökökkel használható, mint a Claude Code és a Codex, illetve más, agentskills.io-kompatibilis ügynökök.

A fejlesztők az NVIDIA VSS Blueprint tárházából érhetik el a 3.3-as verzióhoz tartozó képességeket és telepítési kódot. Az NVIDIA október 1-jén, csendes-óceáni idő szerint délelőtt 9 órakor élő bemutatót is meghirdetett, amelyen egy vizuális AI-ügynököt építenek fel egyetlen utasításból.