satuser on Nostr: 1. โมเดลดูวิดีโอได้ยังไง ...

1. โมเดลดูวิดีโอได้ยังไง และติดขีดจำกัดตรงไหน

แบบปกติ (static) เป็นค่าเริ่มต้นของ Argon

• ระบบดึงภาพจากวิดีโอ วินาทีละ 1 เฟรม แล้วแปลงแต่ละเฟรมเป็น token พร้อมแนบเวลากำกับทุกวินาที เสียงแปลงเป็น token แยกต่างหาก จากนั้นโมเดลอ่านทั้งหมดรวดเดียว
• ใช้ประมาณ 300 token ต่อวินาที (ถ้าลดความละเอียดเหลือ ~100)
• ขีดจำกัด: context 1 ล้าน token รองรับวิดีโอได้ราว 1 ชั่วโมงที่ความละเอียดสูง หรือ 3 ชั่วโมงที่ความละเอียดต่ำ ไฟล์ใหญ่สุด 20GB (ฟรี 2GB) และส่งได้ไม่เกิน 10 วิดีโอต่อครั้ง
• จุดอ่อน: ดูแค่วินาทีละภาพ ฉากที่เคลื่อนไหวเร็วจึงอาจหลุด เช่น นับจำนวนครั้งของท่าที่ทำเร็วๆ หรือเหตุการณ์ที่เกิดขึ้นแค่เสี้ยววินาที

แบบ agentic เปิดตัว ก.ย. 2026 และ Argon รองรับ

• โมเดลทำงานคล้ายคนกดเลื่อนดูคลิป คือตัดสินใจเองว่าจะข้ามไปช่วงไหน ดูเร็วหรือช้า จะดูภาพ ฟังเสียง หรืออ่านคำบรรยาย ช่วงไหนสำคัญก็ย้อนกลับไปดูซ้ำด้วยเฟรมเรตที่สูงขึ้น
• Google บอกว่า ใช้ token น้อยลงสูงสุด 88% ต้นทุนลดลงสูงสุด 66% และแม่นยำขึ้นสูงสุด 7% ตัวเลขเหล่านี้เป็นค่าสูงสุด ไม่ใช่ค่าเฉลี่ย
• เหมาะกับวิดีโอยาวเกิน 5–10 นาที ถ้าเป็นคลิปสั้น โหมดนี้อาจช้ากว่าและเปลือง token กว่าโหมดปกติ

นอกจากนี้ Argon ยังไม่รองรับ Live API จึง ยังวิเคราะห์วิดีโอสดแบบเรียลไทม์ไม่ได้