Summary
2026年11月10日、NVIDIAのイベントで、スクウェア・エニックスの藤井翔太氏がNVIDIA Nemotronのローカル運用に関する個人検証を発表した。チャットやコード生成、制作ツール操作を試し、モーション生成では接地中の最大滑りを16.4cmから1.7cmに縮小した一方、複雑なゲーム制作ではクラウドモデルとの併用が必要だった。
Detailed facts
Nemotronのローカル実行と基本タスクの検証
藤井氏は、2026年11月10日に東京で開かれた「Agentic AI Day Japan 2026」で、NVIDIA Nemotron 3.5 Super VLを使った検証を説明した。検証は同氏個人によるもので、スクウェア・エニックスの業務での導入事例ではない。チャット、動画の内容把握、Pythonスクリプトや簡易ゲームの生成を試し、生成した画像反転スクリプトは実行して正しく動作することを確認した。
Check the source ↗モーション生成ではキーの調整で滑りを低減
Unreal Engine上の検証では、Nemotronが動作のキーフレームを計画し、NVIDIAのモーション生成モデルKimodoがキー間の全身動作を生成する構成を使った。キーの置き方を見直した結果、接地中の最大滑りは検証値で16.4cmから1.7cmになった。一方、指定キーを6個、10個、15個と増やした別の試行では動きが改善せず、5回の修正後も設定した条件をすべて満たせなかった。
Check the source ↗複雑な制作タスクはローカルとクラウドに振り分け
藤井氏は、Unreal Engine 5.8とBlender 5.2のMCPサーバーを用い、Blenderで作った木をFBX形式で書き出してUnreal Engineに取り込む作業をNemotronで実行した。ゲーム全体の制作ではローカルモデル単体で完成に至らず、NeMo Switchyardを使って簡単な作業をNemotronに、方針決定や繰り返し発生するエラーへの対応などをクラウドのGPTに振り分けた。この構成では作業の28%をローカルが担い、呼び出し回数はNemotronが97回、GPTが242回だった。
Check the source ↗独自観点のコメント
### ローカルLLMの実用性はタスク分割と評価設計に左右される
今回の検証が示すのは、ローカルモデルだけで開発工程を置き換えることより、定型的な処理を手元で行い、判断の難しい作業をクラウドモデルに委ねる運用の具体性だ。呼び出し回数とローカル側が担った作業割合は、この分担を実際の制作フローに組み込んだ検証結果として参考になる。ただし、個人による試行であり、企業の本番環境における費用削減や品質を示すものではない。
モーション生成では、生成モデルの性能だけでなく、キーフレームの設計と滑りを測る評価指標が結果を左右した。ロボットや工場への応用に触れた講演内容も、自然な動作の生成だけでなく、制約条件と検証手順を整える必要性を示している。ゲーム開発での適用範囲を判断するには、個別タスクの成功例に加え、品質確認や修正に必要な人手を含めた評価が重要になる。
Related companies and products
Sources
- Press coverage ロボスタ — Read the original ↗