AIが長時間の動画と超長文を理解する「Large World Model (LWM)」の全貌

AI技術の進化は止まることを知らず、今や長時間の動画や超長文内容の理解と処理においても顕著な進歩を遂げています。「Large World Model (LWM)」は、この分野での最先端を行くモデルの一つであり、百万Tokenを超えるコンテキストウィンドウでの高精度な情報検索能力により、GPT-4VやGemini Proを上回る性能を発揮します。この記事では、LWMの特徴、能力、そして解決した問題点について、OpenAIのリサーチペーパーを基に深掘りしていきます。

LWMの主な能力

1. 長時間動画の理解：

   • LWMは、1時間以上のYouTube動画に関する質問に答えることができます。

2. 事実の検索：

   • 100万（1M）Tokenのコンテキストウィンドウ内で、高精度の情報検索を実現し、従来のモデルを超越。

3. 長序列の予測：

   • RingAttentionの導入により、非常に大きなコンテキストウィンドウでの訓練を可能にし、多様なフォーマット（ビデオ-テキスト、テキスト-ビデオなど）のサポートを実現。

4. テキストと画像の生成：

   • テキストプロンプトに基づき、画像を自動生成。

5. テキストと動画の生成：

   • テキストプロンプトから動画を自動生成。

6. 画像ベースの対話：

   • 画像に関する質問に回答。

7. ビデオチャット：

   • 長時間のYouTube動画に関する質問に、他のモデルが失敗する中でも回答可能。

解決した問題

• 言語モデルの限界の克服：

  • 従来のモデルはテキストの処理には長けていましたが、動画のような非テキストメディアの理解には限界がありました。LWMは、これらのメディアを含めた長篇の内容理解において顕著な進歩を遂げています。

• ビデオシーケンスの重要性：

  • ビデオは視覚情報だけでなく、時間序列情報も含んでいます。LWMはこれらの情報を統合することで、動的なイベントや行動の理解を深めます。

• 挑戦の克服：

  • 大規模なトレーニングデータセットの取得や、限られたメモリ内での大量データ処理など、数多くの技術的挑戦を乗り越えました。

LWMの原理

LWMの訓練には、多様なビデオと書籍のデータセットと、長いシーケンスデータの処理能力を高めるために開発された「RingAttention」技術が使用されています。これにより、LWMは100万Tokenに及ぶ長大なシーケンスの処理が可能となり、従来の注意力メカニズムの計算負担を大幅に削減しています。

モデルの応用

LWMは、70億（7 billion）のパラメータを有し、テキスト、画像、ビデオを理解および生成する複数のモデルバリエーションを持ちます。これにより、自動コンテンツ作成、ビジュアルと言語のQA、複雑なインタラクティブアプリケーションなど、幅広い応用が可能になります。

参考ソース

プロジェクト：https://largeworldmodel.github.io/
GitHub：https://github.com/LargeWorldModel/LWM
論文： https://arxiv.org/abs/2402.08268
モデル ：https://huggingface.co/LargeWorldModel

まとめ

「Large World Model (LWM)」は、長時間の動画や超長文を含む複雑なコンテンツの理解と生成に関して、新たな地平を開いています。その高度な情報検索能力と多様なメディア形式への対応により、AIの応用範囲はさらに広がりを見せるでしょう。LWMがもたらす、よりリッチでインタラクティブなデジタル体験の実現に、期待が高まります。