Homer、長時間動画向け階層メモリとエージェント推論を提案 3ベンチで最高精度

何が起きたか

arxiv.orgに2026年7月1日付で掲載された論文で、Homer（Hierarchical Online Memory Exploration and Reasoning）というフレームワークが提案された。Homerは長時間動画のオンライン理解を目的とし、3つのベンチマークで従来の最良エージェント手法を上回る精度を達成したと報告している。

詳細

Homerのメモリは、生の知覚、反復エンティティ、時間的・因果的関係で結ばれたイベントという、動画の多階層構造を模倣する。エージェント型推論器は、人間のようにメモリを探索し、関連シーンを特定し、詳細を調べ、複数回のメモリ検索を通じて回答を構成する。各ステップを検証・修正するハーネスを備える。実験では、M3-Bench-robotで+5.5、M3-Bench-webで+10.8、Video-MME-Longで+4.4ポイントの改善を報告し、3つの異なるLLMバックボーンで一貫した性能向上を示した。

Key Facts

本紙の見方

今回のHomerは、長時間動画のオンライン理解という課題に対して、メモリ構造と推論プロセスを分離した点が新しい。従来のオンライン手法は、視覚表現を圧縮して保持するか、時間的近接性に基づく高次メモリを構築するかに分かれていたが、Homerは因果関係を明示的にメモリに組み込み、エージェントが多段階で検索する。これは、動画理解を単なる特徴抽出ではなく、構造化された知識ベースへの問い合わせとして捉えるパラダイム転換とみられる。 本紙の過去報道では、ロボット向け基盤モデルの進展を追ってきた。例えば、2026年5月の「ロボット基盤モデル、タスク汎化で新手法」では、視覚言語行動モデルが未学習タスクにどう適応するかが焦点だった。Homerはロボット向けベンチマークM3-Bench-robotで最高精度を達成しており、ロボットのタスク遂行における動画理解の重要性を示す。また、2026年3月の「動画理解の新ベンチマーク、長尺動画で課題顕在化」では、Video-MME-Longのような長尺動画ベンチマークの登場を報じたが、Homerはその課題に直接応答する形だ。 業界構造への含意として、Homerのモデル非依存性は、特定のLLMに依存せずに構造的改善をもたらす点で、基盤モデル開発の競争に影響を与える。動画理解はロボティクス、自動運転、監視、コンテンツ分析など多岐にわたる応用があり、Homerのようなメモリ管理技術は、これらの分野での実用化を加速する可能性がある。一方で、Homerのメモリ構造は計算コストが増大する可能性があり、実運用での効率性が課題となる。 今後確認すべき点は、第一に、Homerのメモリ構築に必要な計算資源と推論時間の実測値が公開されるかどうか。第二に、M3-BenchやVideo-MME-Long以外のベンチマーク、特に実世界のロボットタスクでの性能がどうか。第三に、メモリの因果関係の学習がどのように行われるか、教師信号の設計が公開されるかどうか。これらの点が明らかになれば、Homerの実用性と限界がより明確になるだろう。

なぜ重要か

Homerは、長時間動画のオンライン理解におけるメモリ管理の新たな枠組みを示し、ロボティクスや自動運転など実世界応用への道を開く。モデル非依存の構造的改善は、基盤モデルの性能向上に寄与する可能性があり、今後の動画理解研究の方向性を左右する。