AIは、さっき通った部屋を覚えている？ OVO-S-Benchが測る「動画の中の空間記憶」

01 / QUICK GUIDE

まず、30秒でつかむ

01
研究チームは8月22日、連続する動画から空間を理解するAIの評価基準OVO-S-Benchが自然言語処理の国際会議EMNLP 2026に採択されたと告知しました。
02
評価は1,680問と348本の動画で、現在の画面を見る力から、過去の場所をつないで全体の地図を考える力までを四段階に分けます。
03
公開結果では最上位システムも人の成績に届きません。ただし複数選択式の研究条件であり、実際のロボットや自動車の安全性を直接表す数字ではありません。

02 / KEY WORDS

ここだけ押さえれば、残りの本文はスムーズに読めます。

ストリーミング空間理解: 動画の全体を後から見直すのではなく、時間順に届く映像だけを使い、その時点までに見た場所や物の関係を理解する能力です。
マルチモーダル大規模言語モデル: 文章と画像や動画を一緒に扱うAIです。英字ではMLLMと略されます。映像を入力できても、位置関係を長く保てるとは限りません。
自己中心座標: カメラや人を中心に、右、左、前、後ろを捉える見方です。向きが変わると基準も変わるため、長い移動では記憶のつなぎ直しが必要です。
環境中心の地図: 自分の向きとは別に、部屋、通路、物の配置を全体図として表す見方です。論文ではallocentric mappingと呼ばれ、もっとも難しい段階でした。

03 / THE FACTS

InternLMの公式リポジトリでは8月22日11時42分17秒（協定世界時）、OVO-S-BenchがEMNLP 2026に採択されたという文をREADMEへ追加しました。論文の初公開日ではありません。

研究は清華大学、上海AIラボ、北京航空航天大学のチームによるものです。348本の元動画から1,680問を作り、12人の訓練済み作業者が約804人時間をかけて注釈したと説明しています。

質問時刻より後の映像はAIへ見せません。通常モデルには、その時刻までの動画から均等に選んだ128フレームと質問、選択肢を渡し、38のシステムを同じ流れで比較しました。

課題は四段階です。近くの距離や位置を見る段階、画面から消えた場所を覚える段階、移動や配置を頭の中で試す段階、視点をまたいで全体地図を作る段階へ進みます。

公式結果では、最上位のGemini-3.1-Proが59.2、人のストリーミング条件が86.6でした。差は27.4点ですが、四捨五入して『27点差』と説明されています。

一方、この数字は研究チームが公開した複数選択問題の正答率です。会議採択は結果の独立再現や、ロボットが現場で安全に動くことを保証するものではありません。

THE CONCLUSION

OVO-S-Benchは、動画AIの『見えた』を一つの能力として扱いません。目の前を測る、消えた物を覚える、移動を考える、全体地図を作る、という段階へ分けました。

採択告知の価値は、この問いが研究コミュニティで議論される場を得たことです。スコアを製品広告へ直結させず、どの空間能力が弱いかを調べる道具として読むべきです。

04 / THE CONTEXT

いまの動画AIは、一枚の画像説明や短い映像の要約が得意になりました。しかし、カメラが曲がり、以前見た入口が画面から消えると、過去と現在を一つの地図へまとめる必要があります。

この力は、倉庫ロボット、拡張現実、運転支援で重要です。『箱が見える』だけでなく、『さっきの通路を戻れば出口へ行ける』と判断できなければ行動につながりません。

従来の評価には、動画全体を後から渡す方式もあります。OVO-S-Benchは質問時刻より未来を隠すことで、その瞬間までの記憶だけで答える現場に近い条件を作りました。

05 / WHAT IT MEANS FOR YOU

四段階のうち、全体地図を作る段階が多くのモデルで弱かったと報告されています。目の前の認識を上げるだけでは、視点をまたいだ場所のつながりは解けないという示唆です。

人の86.6と最上位AIの59.2を比べるときは、同じ質問とストリーミング条件での正答率だと理解します。27.4点の差は、事故率や判断時間の差ではありません。

128フレームを均等に選ぶ方式には限界があります。短い重要場面を取りこぼす可能性があり、ネイティブな連続処理を持つモデルとは入力方法も完全には同じではありません。

それでも能力を段階別に見る設計は実務に使えます。自社のロボットが失敗したとき、現在の認識、過去の記憶、経路推論、全体地図のどこで崩れたかを分けて調べられます。

07 / NEXT ACTION

BOTTOM LINE