# Cambrian-BEV、俯瞰視点トークンで動画推論を高速化

> 新たなトークン化手法により、動画128フレームを空間トークン729個に圧縮。LLMのプレフィル時間を2.9倍短縮し、メモリ使用量を3.6分の1にする。

Oossa · 2026-10-19 · https://oossa.com/ja/cambrian-bev-speeds-up-video-reasoning-with-bird-s-eye-view-tokens

研究者らは、動画の視覚パッチを共通の俯瞰視点グリッドに対応づける手法「Cambrian-BEV」を発表した。深度とカメラの姿勢を使って、視点や時間にかかわらず、同じ場所についての観測情報を統合する。モデルのアーキテクチャはそのままに、フレームトークンを27×27のBEVトークンに置き換える。VSI-Benchのテストでは63.48点を記録。トークン数を大幅に減らしながら、フレームトークンを使うベースラインを8.5ポイント上回った。

## 事実

- 128フレーム → 729個のBEVトークン（27×27のグリッド）
- プレフィル時間を2.9倍短縮、ピークメモリを3.6分の1に削減

## なぜ重要か

空間をより確実に推論できる、より高速で軽量な動画対応AIアシスタントの開発につながる。

## 出典と参考資料

1. [Thinking from Above: Efficient Spatial Reasoning with Bird's-Eye-View Visual Tokens](https://arxiv.org/abs/2610.22700) – arXiv cs.CV, 2026-10-19

最終更新: 2026-10-19