現代のビデオ拡散モデルは、モデル規模の拡大と計算量の増加により、生成される動画の品質を大幅に向上させています。しかし、この性能向上は推論コストの急増を伴い、実際の展開を制限しています。これまで多くの高速化手法が提案されてきましたが、最適な戦略はモデルアーキテクチャ、ハードウェアプラットフォーム、推論構成に強く依存するため、ある環境で効果的な手法が別の環境では機能しないことが一般的です。このようなインスタンス特異性により、手動によるチューニングは困難でコストがかかります。
この課題に対処するため、研究者らはSolビデオ推論エンジンを提案しました。これは追加のトレーニングを必要としないエージェントベースの高速化フレームワークです。本フレームワークは、キャッシュ、スパースアテンション、トークンプルーニング、量子化、カーネル融合という5つの汎用的な技術を、エージェント指向の加速スタックとして編成します。具体的な展開ターゲット（モデル、ハードウェア、サービング構成の組み合わせ）に対して、複数の並列スキルエージェントが各技術の実装を最適化し、その後エージェント統合器がそれらをグローバルな加速パイプラインに統合します。さらに、人間の検証者が生成品質に関するフィードバックを提供することで、品質を維持します。
Solエンジンの核心的な利点は、エージェントアーキテクチャが異なるモデル、ハードウェア、構成の組み合わせに自動適応できる点にあります。モデルアーキテクチャの違い（パラメータ数、数値感度、注意集中パターン）や推論設定（空間・時間解像度、動画長）は最適な高速化戦略に影響を与えます。ハードウェアプラットフォームの多様性（メモリ階層、サポート数値形式、カーネルスループット）はチューニング空間をさらに広げます。Solエンジンは並列スキルエージェントを用いて各技術の最適実装を個別に探求し、統合器が全体の加速スタックを組み立てるため、人手によるパラメータ調整は不要です。
研究チームは、640億パラメータのCosmos3-Super、220億パラメータのLTX-2.3、20億パラメータのSANA-Videoという異なる規模とアーキテクチャの3つのビデオモデルでSolエンジンを評価しました。実験結果は、わずかな人的労力でエンドツーエンドの推論速度を2倍以上に向上させつつ、VBench品質スコアをほぼ損なわないことを示し、ビデオ拡散モデル高速化におけるエージェントフレームワークの有効性を実証しました。この研究は、効率的なビデオ生成の実用展開に向けた有望な道を開くものであり、論文はarXiv（arXiv:2606.23743）で公開されています。従来の高速化手法は展開シナリオごとに手動で技術を選択・適用する必要がありましたが、Solエンジンはエージェントによる自動化により、ビデオモデル推論のコストと障壁を大幅に低減する可能性を秘めています。