NVIDIA VSS 3.3 cria agentes visuais de IA via prompts

A arquitetura de referência corta até 80% dos tokens em modelos visuais e permite que assistentes de código gerem pipelines a partir de texto simples.

A NVIDIA lançou a versão 3.3 do blueprint Metropolis Video Search and Summarization (VSS), uma arquitetura de referência para análise de vídeo em tempo real. A atualização traz a ferramenta vss-build-vision-ai, criada para montar agentes visuais de IA a partir de comandos em texto comum, além de um filtro inteligente de quadros que reduz em até 80% o volume de dados enviados aos modelos de visão e linguagem (VLMs). As informações técnicas estão no blog oficial da NVIDIA e no repositório do projeto no GitHub.

Como criar agentes visuais de IA via prompts

Configurar infraestrutura para processar fluxos contínuos de câmeras costuma exigir semanas de trabalho manual com filas, bancos vetoriais e balanceadores de carga. A proposta do vss-build-vision-ai é transferir essa montagem para assistentes de código, como Claude Code e Codex, usando o padrão aberto agentskills.io.

O desenvolvedor digita em texto simples o que precisa monitorar. O agente traduz as instruções e seleciona um entre quatro perfis prévios de implantação: base para leitura básica, alerts para notificações por regra, lvs para busca em vídeo ao vivo ou search para indexação profunda. Em seguida, o sistema orquestra serviços compartilhados, como Kafka para streaming, Redis para cache, Elasticsearch para indexação e VIOS para captura de vídeo, evitando instâncias duplicadas de contêineres.

Em uma demonstração técnica transmitida em 1º de outubro de 2026 no canal da empresa, engenheiros da NVIDIA montaram um sistema de vigilância para uma esteira de envase de suco de laranja em menos de 30 minutos. O ambiente rodou em um servidor com duas placas RTX PRO 6000 Blackwell, identificando garrafas, tampas e derramamento de líquidos. A própria NVIDIA ressaltou que a poça de suco usada no teste foi gerada por simulação digital, sem testes prévios em fábricas ativas.

Descarte de quadros estáticos para reduzir custo de GPU

O maior entrave econômico na visão computacional moderna é a ociosidade visual. Câmeras industriais e de segurança gravam sem parar, mas a maior parte dos quadros mostra corredores vazios ou esteiras sem alteração. Se cada quadro idêntico for convertido em tokens e enviado para um modelo de visão e linguagem, a conta de inferência da GPU dispara sem gerar informação útil.

Para atacar esse desperdício, o VSS 3.3 introduziu o Adaptive Efficient Video Sampling (Adaptive EVS). A técnica divide cada quadro em blocos menores e mede a similaridade matemática de cosseno em relação ao quadro anterior. Quando o cenário não muda, o sistema descarta os blocos repetidos antes que cheguem ao modelo.

Segundo medições de laboratório divulgadas pela NVIDIA, o corte chegou a 80% dos tokens de entrada em um vídeo ininterrupto de 60 minutos, reduzindo o tempo total de sumarização à metade. Em testes na GPU RTX PRO 6000 Blackwell com o modelo visual Cosmos 3 Super FP8, o volume de transmissões simultâneas em tempo real subiu de 13 para 19 fluxos, um ganho de 46%. A latência para gerar alertas caiu de 1.021 para 844 milissegundos.

Limites operacionais e exigências de licenciamento

O blueprint articula modelos de visão NVIDIA Cosmos (como Cosmos 3 Nano e Cosmos 3 Super FP8) com modelos de linguagem Nemotron para redação de relatórios, integrados via Model Context Protocol (MCP) e contêineres NIM.

Apesar dos resultados expressivos em laboratório, a solução tem limites claros. A economia de 80% em tokens só se sustenta em gravações com fundo estático e movimentação previsível. Em ambientes abertos sujeitos a chuva forte, variações bruscas de luz ou trânsito intenso de pessoas, a taxa de compressão diminui de forma relevante.

Além disso, embora os modelos e o código do blueprint estejam abertos para download no GitHub, o uso comercial contínuo em centros de dados exige o licenciamento corporativo pago do NVIDIA AI Enterprise. Até a publicação desta matéria, a NVIDIA não apresentou clientes industriais utilizando a versão 3.3 em operação comercial contínua.

Fontes

• https://developer.nvidia.com/blog/lower-the-cost-of-building-and-running-visual-ai-agents-with-nvidia-vss-blueprint-3-3/
• NVIDIA-AI-Blueprints/video-search-and-summarization
• https://www.youtube.com/watch?v=PQJKs1dyK7I
• https://x.com/NVIDIAAI/status/2105689015790031306
• https://www.franksworld.com/2026/10/04/unleashing-visual-ai-agents-with-nvidia-cosmos-and-vss-3-3/