NVIDIA MOTIVE、motion重視のclip選別で74.1% preferenceを獲得

video generationの改善は、学習clipを増やすだけでは足りない。どのclipが動きを良くするのかを測る必要がある。NVIDIA AIは7月7日のX投稿で、MOTIVEがbase modelに対して“74.1% human preference”を得たと書いた。評価の中心は見た目ではなく、temporal dynamicsだ。

投稿の作成時刻は2026年7月7日19:28:29 UTCで、今回の48時間条件を満たす。閲覧数は約1万2000回と大規模launchほどではないが、研究としての信号は強い。NVIDIA AIのアカウントは、platform newsだけでなくNVIDIA Researchの論文、project page、ICMLやNeurIPSでの成果を共有することが多い。リンク先のMOTIVE project pageでは、MOTIVEをmotion-centricなgradient-based data attribution frameworkと説明し、ICML 2026 OralとOutstanding Paper Honorable Mentionにも触れている。

MOTIVEはfine-tuning dataの価値をmotionの観点で計算し直す。video modelでは、静的な背景や外観情報が学習信号を大きく占めることがある。MOTIVEは動いている領域への信号を強め、静的背景の影響を下げたうえで、各clipがmotion改善にどれだけ効くかを点数化する。その高影響subsetだけを選んでfine-tuningすることで、より良い時間的な動きを狙える。

次に見るべきなのは、どのbase modelとdatasetで同じ傾向が再現するかだ。74.1%という数字は目立つが、実運用ではcode、計算コスト、dataset選別ルール、VBench dynamics以外の評価も必要になる。再現性が確認されれば、video modelのデータ戦略は量の競争から、失敗モードごとのclip influence管理へ移る可能性がある。