- 发布日期
谷歌为Gemini Flash模型推出智能视频理解功能，最多可削减88%的视频令牌
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
谷歌宣布其Gemini Flash模型推出智能体视频理解功能，实现了视频人工智能的重大突破。这一新功能从根本上改变了AI处理视频的方式，从固定的静态处理转变为智能的导航式处理。此举旨在解决分析长视频内容时的高计算成本和效率低下问题。
此前，Gemini模型采用静态方法处理视频，无论用户查询内容如何，都以每秒一帧的固定速率提取整个视频的帧。这种单次处理设计迫使开发者在支付完整时间线费用或预先分段处理（可能遗漏关键细节）之间做出权衡。新的智能体处理引入了动态循环机制，模型能主动决定观看内容、帧率及使用哪种模态，从而有效导航时间线，而非整体吞入。
谷歌报告的结果十分显著。该公司表示，智能体理解功能可将令牌消耗量减少高达88%，将成本降低多达66%，并在标准视频基准测试中将准确率提高多达7%。这种效率在长视频内容（如数小时的录制）中尤为突出，模型现在可以仅加载特定提示所需的片段和数据。
该功能将作为托管API能力部署，不提供用于自托管的开放权重。开发者可通过Google AI工作室中的Gemini API或Gemini企业智能体平台启用它，支持文件上传和公共YouTube链接。计费仍采用标准Gemini API令牌费率，无额外功能费用，但导航推理被归类为思考令牌，而加载的媒体片段则按工具使用令牌计费。
在谷歌的评估中，具有智能体理解功能的Gemini 3.7 Flash模型在视频分析的准确率-成本最优前沿上表现出色。该公司指出，传统的静态处理仍为默认选项，更适合五分钟以下的非常短片或需要精确逐帧检查的任务。智能体模式则在更长、更复杂的视频分析任务中表现卓越。
该功能的实现对开发者而言设计得十分简便。只需在API请求中将单个“processing”字段设置为“agentic”即可启用。响应结构现在包含额外的步骤类型，允许在用户界面中实现实时进度跟踪，从而在模型分析视频时透明展示其导航和推理过程。
