AIエージェント能力アトラス › 仕事ごとの一覧 › 基盤能力（横断） › マルチモーダル理解（画像/動画/音声/空間）

動画の時系列理解

Video temporal understanding

0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。

専門家と比べて

映像編集者やスポーツアナリストが行う『時間軸をまたいだ出来事の追跡』には及ばない

できること

短い動画の内容要約、単発シーンの説明は実務品質に近づいている

まだできないこと

長時間動画での出来事の時系列追跡や、特定の時空間領域への根拠づけ（グラウンディング）は依然脆く、新ベンチマークで課題が可視化されている

なぜそうなのか

動画LLMは離散フレームサンプリングに依存することが多く、連続的な時間変化の内部表現が弱い

これからの予測の根拠

動画ネイティブな事前学習（フレーム間の時間的一貫性を直接学習）の拡大で2028年に実務品質化が期待される

いま使える主な道具

Gemini 3.1 video、V-STaRベンチマークモデル群

根拠

• V-STaR: Benchmarking Video-LLMs on Video Spatio-Temporal Reasoning 2026
  CVPR2026、時空間手がかりの統合能力を評価するベンチマーク

同じ分野のほかの仕事（マルチモーダル理解（画像/動画/音声/空間））

• 空間・3D推論
• 文書・画像理解（OCR/図表/帳票）

AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。