NVIDIA 发布 VSS Blueprint 3.3：以单条提示构建视觉 AI 智能体并降低 VLM 运行成本

核心事实

NVIDIA 在其开发者博客发布 Metropolis 视频搜索与摘要蓝图（VSS）3.3 版本。据官方介绍，该版本新增 Build Vision Agent 技能（vss-build-vision-ai），可由单条自然语言提示组合多工作流部署；同时引入自适应高效视频采样（Adaptive EVS），通过动态裁剪帧内未变化的视觉 patch 并围绕活动时刻批量处理 VLM 任务，以降低视觉语言模型的运行开销。

VSS 将 NVIDIA Cosmos 等视觉语言模型、NVIDIA Nemotron 等大语言模型、检索增强生成（RAG）与 Model Context Protocol 工具连接起来，把实时与录制视频转化为自然语言搜索、视觉问答、告警核验与自动报告。

背景与影响

官方称，生产级视觉 AI 智能体通常横跨多个工作流，由此带来开发、运行与变更三类成本。Build Vision Agent 技能从四个经过验证的开发者配置（dense、alerts、lvs、search）中选取最接近的一个作为 Foundation，只计算最小增量，并让 Kafka、Redis、Elasticsearch 等共享基础设施收敛到单一实例。

在博客给出的瓶装线演示中，该技能在一台双 GPU 的 RTX PRO 6000 Blackwell 主机上，用不到 30 分钟生成可实时预览的部署，涵盖搜索、告警核验与班次报告，并让 FP8 Cosmos 3 Nano 复用检测器的 GPU。官方还称，在运行 Cosmos 3 Super FP8 的 RTX PRO 6000 Blackwell 上，自适应 EVS 将告警上下文化延迟降低 17%，并发实时 VLM 流增加 46%；对一段 60 分钟视频的摘要耗时约为原来的一半，VLM 输入 token 减少 80%。

限制与来源

上述延迟、并发流与 token 数据均来自 NVIDIA 官方博客，属于厂商自述，尚未获独立验证；官方也说明结果会随场景运动、分块长度与相似度阈值而变化。博客提到的 10 月 1 日线上活动时间以太平洋时间标注，具体安排请以 NVIDIA 官网当前信息为准。本文内容整理自 developer.nvidia.com 的官方技术博客。