借助 NVIDIA VSS Blueprint 3.3 降低构建和运行视觉 AI 智能体的成本

📌 One-Sentence Summary

NVIDIA VSS Blueprint 3.3 通过自然语言智能体技能简化了视觉 AI 智能体的开发，并引入了自适应视频采样（EVS）以降低算力和 Token 成本。

📝 Summary

本文详细介绍了 NVIDIA Metropolis 视频搜索与摘要（VSS）Blueprint 的更新内容，重点在于降低视觉 AI 智能体的复杂性和成本。文章推出了「Build Vision Agent」技能，允许开发者使用自然语言提示词构建多工作流应用；同时引入「自适应视频采样」（EVS），通过修剪静态帧中冗余的视觉 Token 来优化 VLM 处理，从而将 Token 数量减少高达 80%，并显著提升并发流处理能力。

💡 Main Points

VSS 3.3 推出基于自然语言的智能体编排功能

「Build Vision Agent」技能允许开发者通过提示词描述预期结果（如警报、搜索、摘要），自动完成架构设计和服务连接。

自适应视频采样（EVS）显著降低运营成本

自适应 EVS 会修剪未变化帧中的视觉 Token，并围绕事件批量处理 VLM 任务，使输入 Token 减少高达 80%，并将并发流处理能力提升了 46%。

服务复用减少开发开销

该 Blueprint 强调在不同 AI 工作流之间共享核心服务（如视频流、存储和 Elasticsearch），以避免基础设施冗余和高昂的变更成本。

分阶段框架确保生产就绪性

NVIDIA 提供了四种开发者配置文件（基础版、警报版、LVS 版、搜索版），允许开发者从小规模起步，逐步添加功能而无需重建整个技术栈。

💬 Key Quotes

视觉语言模型使得构建能够以生产规模理解视频的视觉 AI 智能体成为可能。

EVS 通过修剪帧中未发生变化部分的视觉 Token，减少了冗余的 VLM 处理。

更棘手的问题是如何将这种能力转化为一个可维护的系统。

📊 Article Meta

AI Screening： 88

Source： NVIDIA Technical Blog

Author： Elizabeth Goodman

Category： 人工智能

Language： 英文

Read Time： 8 min

Word Count： 1976

Tags：

AI 与智能应用 , AI Agent , 视频AI , LLM 推理优化 , AI基础设施