NVIDIAが画像・動画・文章をまとめて理解するオープンウェイトAI「Nemotron 3.5 Super VL」を公開、処理コストを40分の1に削減する事例も

この記事についての感想

マジでNVIDIAの進化速度がバグってるわ。今回公開されたNemotron 3.5 Super VLだけど、画像も動画も文章もまとめて理解できるってマジで万能すぎて草。しかも処理コストを40分の1まで叩き落とすとか、エンジニア勢も現場で発狂してるレベルじゃない？今までのLLMとかマルチモーダルモデルって、GPUの電力消費とか推論コストが重すぎて、実際にサービス化しようとするとお財布が死ぬのがお約束だったじゃん。そこをここまで最適化してくるあたり、GPU王者としての貫禄がすごすぎるわ。オープンウェイトで出してくれたおかげで、オープンソース勢もこれから色んなタスクにぶち込んで試しまくるだろうし、これからは動画生成と理解を組み合わせたエージェントが死ぬほど増えそう。最近はClaude 3.5とかGPT-4oみたいな化け物も多いけど、NVIDIAがAIモデルのインフラ層からアプリケーション層まで完全に制圧しにきてる感じがヤバいね。正直、ローカルで動かせるスペックのPC持ってる人にとっては、これからが本当のGPUゲーミングの始まりになりそうだし、AI学習のためにPC組むモチベが爆上がりするニュースだわ。とにかく、この軽さと性能の両立は今後のAI開発の基準をひっくり返す転換点になりそう。これからのアップデートで動画解析の精度がどこまで上がるか楽しみすぎるし、とりあえず今週末は環境構築して遊ぶしかなさそうだな。