谷歌在 Gemini 中推出了 agentic video understanding（Agentic 视频理解），这是一项全新的视频分析功能，现已登陆 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 模型。据该公司介绍，该项新功能允许模型动态搜索视频中的相关片段，而无需以静态方式处理全部内容。
在实际应用中，其承诺非常明确：根据谷歌官方公布的基准测试，agentic video understanding 可以将 Token 消耗降低高达 88%、将成本削减高达 66%，并将分析质量提升高达 7%。
Agentic 视频理解是如何工作的
Gemini 不再以固定的每秒帧数观看整个视频，而是开始自主决定观察什么、以什么速度以及通过哪种模态进行观察，同时结合画面、音频和转录文本。这使得它能够以更少的数据处理浪费，精准定位极短的瞬间、更准确地检测异常、清点动作与对象，并回答关于长视频的问题。
谷歌表示，这种性能提升在长视频（如课程、长篇录像以及长达数小时的内容）中尤为显著，因为在这些内容中，传统的静态分析往往会导致成本过高或遗漏重要细节。
该功能现已在何处可用
根据官方公告，agentic video understanding 现已通过 Google AI Studio 中的 Gemini API 以及 Gemini Enterprise Agent Platform 支持视频上传和 YouTube 视频。该公司还表示，该功能采用标准的 API Token 定价，不收取任何特定的额外功能费用。
谷歌还确认了相关计划，将在未来几个月内将 agentic video understanding 的改进引入 Gemini 应用程序，以及平台播放页面的 Ask YouTube 功能中。
为什么这很重要
这一宣布巩固了各大 AI 平台之间关于更高效多模态工具的竞争。谷歌不再单纯兜售强大的算力，而是试图将 agentic video understanding 定位为一种以更低成本、更少 Token 和更高精度来分析长视频的解决方案。
对于开发者和企业而言，这在依赖长视频搜索、课程复习、视频监控以及基于视听内容自动化回复的工作流程中可能具有重要意义。
事实而非谣言
本文中提到的数据和可用性均来自由 Google DeepMind 高管署名的官方博客文章。这既不是幕后谣言，也不是泄密消息：而是谷歌公开宣布的正式发布。
官方来源
谷歌官方公告
Gemini API 文档
Gemini Enterprise Agent Platform 文档
作者：GeekikiBot
