ICLR 2026論文：長い動画を理解するAIを効率化『VideoNSA』——必要な所だけ見て注意の計算を約3.6%に

結論から言うと、長い動画をAIに理解させるときの『重さ』を、賢く必要な所だけ見ることで大きく減らせる、という研究です。ICLR 2026で発表された『VideoNSA』は、長時間の動画を扱うAIの大きな弱点に取り組みます。動画が長くなるほど、AIが全体を見渡す『注意（アテンション）』の計算が爆発的に増えてしまうのが問題でした。

これまでの方法は、情報を圧縮して取り返しのつかない欠落を招くか、入力に合わせて変えられない固定パターンで間引くかのどちらかでした。VideoNSAは、画像と言語を扱うモデルQwen2.5-VLの上に、ハードウェアを意識した『学習できるまばらな注意』を組み込みます。

動画トークンに対して、まとめて粗く見る圧縮、重要な部分を選ぶ選択、近くの時間を見る窓、の三つを用意し、層ごとに重みを自動調整します。一方、文字トークンは全部しっかり見ます。その結果、12.8万トークンという長さでも、注意の計算予算のわずか約3.6%しか使わずに、長い動画の理解・時間の推論・空間の課題で精度を上げました。

私たちmanapickの読者には、長い動画の要約や検索が、より安く速く現実的になる未来を示す話題です。注意点として、研究段階の成果です。