1. 256K長尺動画を劣化なく解析する30B MoEの突破口
ショート動画プラットフォーム大手の快手（Kuaishou）のAIチームは、長尺動画理解と高度な自律エージェント能力を統合した30Bクラスのマルチモーダルモデル「Keye-VL-2.0-30B-A3B」を公開しました。本モデルは、DeepSeek Sparse Attention (DSA)をマルチモーダルモデルとして初めて本格本番環境に導入。256,000トークンの超長文コンテキストにおいて、情報の損失のない映像理解と精緻な時間特定（Temporal Grounding）を実現しています。
総パラメータ数30Bながら、各トークンで起動されるのはわずか3B。映像コンテンツの自動インデックス化、特定の出来事の秒単位での検知、監視ログの自然言語分析など、実用に足るビデオ大モデルの需要が高まる中、最大の障害であった「超長時間動画に伴う膨大な計算コスト」を最新スパース機構で劇的に削減しました。
2. Keye-VL-2.0の特徴：DSAの本番実戦投入
Keye-VL-2.0-30B-A3Bは、アテンションの計算量を抑制するDeepSeek Sparse Attention (DSA)を標準実装しています。スパース・アテンションと独自の動的特徴量アグリゲーション（集約）を用いることで、映像のフレーム数が数百から数千に増大しても精度劣化が起きず、むしろ入力される情報が増えるほど時間軸の局所化精度が高まる特性を持ちます。
これにより、256,000トークンの極限環境において、ほぼ情報ロスなしで「映像内のどこで何が起きているか」を論理的に整理できます。
数千フレームの超長尺映像入力
数時間に及ぶ防犯・業務記録映像をExtraIO高速アライメントによって瞬時にメモリ上へ展開します。
DeepSeek Sparse Attention (DSA) 演算
動的特徴集約によりシーケンス長の2乗に比例する計算量を抑制。256Kコンテキストでも情報落ちを防ぎます。
30B MoEゲートウェイ（実動3B）
タスクに応じて最適なエキスパートを選択起動。コンシューマー〜ミドルレンジGPUでの高スループット推論を維持します。
秒単位の時間特定と自律Agent実行
対象事象のタイムスタンプ特定に加え、外部API呼び出しやコード生成を連動させた複合アクションを完結させます。
「動画の長さが増えるほど推論精度が向上する——DSAスパース計算基盤の導入により、長尺動画理解はクラウドの富豪的APIからエッジの自律インフラへと移行した」
Kuaishou Keye Multimodal Research3. 超長文インファレンスとトレーニングスタックの最適化
超長尺シーケンスのプリフィル（初期テキスト/画像ロード）コストを削減するため、Keyeチームは以下の最適化技術をスタックとして構築した。
- ExtraIO: 高速なI/Oアライメントと映像特徴量アグリゲーション。
- ヘテロジーニアスViT-LM並列化: ビジョンエンコーダー（ViT）とデコーダー（LM）の負荷の偏りを解消する不均一分散並列処理。
- カスタムGPUカーネル: SGLang（カスタムブランチ）やDeepGEMMと緊密に統合された、Hopper世代GPU向けの演算最適化。
4. 実証された動画ベンチマークスコア
動画理解と時間特定の評価である「TimeLens-Bench」において、Keye-VL-2.0-30B-A3Bは並外れた数値を叩き出している。
- ActivityNet-TimeLens: 58.5 mIoU（Gemini 3 Flashの56.95を超える）
- QVHighlights-TimeLens: 70.1 mIoU（Gemini 3 Flashの49.45を圧倒）
- LongVideoBench: 74.1（Qwen3.5-35B-A3Bや、より巨大なQwen3-VL-235B-A22Bを上回る長尺動画スコア）
- VideoMME V2: 入力フレーム数を64枚から512枚へ増加させた際、精度が35.3%から42.4%へ向上。入力情報が多いほど推論が安定することを示した。
5. 組み込みエージェント協調メカニズム
本モデルは単純な動画要約にとどまらず、映像情報をもとにコード生成、外部ツール呼び出し（API実行）、Web検索を組み合わせてタスクを自動実行する「マルチモーダルAgent」としての動作がビルトインされている。これにより、GUI操作ログの動画からテストコードを生成したり、監視動画内の異常シーンから直接通知APIを叩くといった高度な自律フローが最初からサポートされている。
6. 日本企業への影響と日本から見た意味
放送・メディア、監視・セキュリティ、ドローン映像分析などを展開する日本企業にとって、動画の理解・特定処理をクラウドの大規模商用APIに依存することは、帯域コストおよびデータの漏洩リスクの両面で大きなハードルだった。
Keye-VL-2.0-30B-A3Bは、オープンソース（SGLangやvLLM対応）でありながら、商用最高峰モデルに迫る時間軸特定精度を30B（実アクティブ3B）というローカル運用可能なスケールで達成した。これは、オンプレミスの映像解析サーバーの稼働効率を飛躍的に高めるパラダイムシフトとなる。
7. 次に見る指標
- SGLangカスタムブランチでの実測レイテンシ: 256kトークンのロード時間と推論秒数
- DeepGEMMとの統合状況: Blackwell世代GPUにおけるDSA推論のさらなる加速効率
- 動画監視・自動要約プロダクトへの適用と実働耐久性
よくある質問 (FAQ)
- Q: なぜアテンションにDSA（DeepSeek Sparse Attention）を使うのですか？
- A: 通常のアテンションはシーケンス長（動画の長さ）の2乗で計算量とメモリ消費が増大しますが、DSAを適用することでメモリフットプリントを極限まで抑え、256kトークンの長文映像データでも処理が破綻しないようにするためです。
- Q: ローカルで動かす場合、どの程度のハードウェアが必要ですか？
- A: 総計30B、アクティブ3BのMoE構造なので、SGLang等の最適化推論エンジンを用いることで、一般的なエンタープライズGPU（A100 80G 1枚や、TP-size=2のL40S等）で高速に動画推論サーバーを構築できます。
- Q: 映像入力以外の、普通の画像認識や通常のOCRの精度はどうですか？
- A: 精緻にキュレーションされた事前学習データとKeye-VL-1.5ビジョンエンコーダーにより、図表、グラフ、テーブル、OCRなどの静止画インテリジェンスについても高い評価を得ています。
なお、同領域における最新の産業構造と競争力学については、本誌が検証した「OFOの悲劇を繰り返すな」李開復、01.AI海外黒字の現実および「閉じたAIを壊せ」DeepSeek、世界を覆す無償公開の衝撃の分析もあわせて参照されたい。
コメント
...