谷歌推出Gemini智能体视频理解功能
内容提要
谷歌推出Gemini 3.7 Flash等模型的智能体视频理解功能，通过动态扫描视频片段，将令牌消耗降低88%，成本降低66%，准确率提升7%。该功能支持子秒级检索、异常检测和精确计数，适用于长视频分析，现已通过Gemini API提供。
延伸解读
动态扫描如何降低视频分析成本
传统静态处理以固定帧率（默认1 FPS）分析视频，长视频会消耗大量令牌。谷歌的新功能让模型通过内部工具动态搜索、扫描和检查目标片段，仅提取所需时刻和信号，从而将令牌消耗降低最多88%，成本降低最多66%。这种按需处理方式尤其适合10分钟到90分钟以上的长视频，开发者无需再在高成本和细节丢失之间权衡。
新功能带来的具体应用场景
该功能支持子秒级时刻检索，能捕捉1 FPS下容易错过的快速状态变化和剪辑边界，适用于精确的视频编辑。此外，它还能在数小时视频中高效搜索特定内容（“大海捞针”），检测异常时可按需提高帧率，以及准确计数重复动作和物体。这些能力为长视频分析、监控和运动分析等应用提供了新的可能性。
模型选择与成本考量
该功能适用于Gemini 3.7 Flash、3.6 Flash和3.5 Flash-Lite，且不额外收费，仅按标准API令牌计费。其中，Gemini 3.7 Flash在质量与成本效率上表现最佳，处于准确率与成本的帕累托前沿。开发者可通过在API配置中设置“agentic”来启用，无需手动实现复杂的视频处理逻辑，从而降低开发开销。
Q&A
谷歌新推出的智能体视频理解功能是什么？
谷歌推出的智能体视频理解功能是一种视频分析能力，它让Gemini模型能够动态扫描视频片段，而不是像以前那样固定帧率处理整个视频。该功能可以显著降低令牌消耗和成本，同时提高准确性，并支持子秒级检索、异常检测和精确计数等新能力。
智能体视频理解功能支持哪些模型？
该功能支持Gemini 3.7 Flash、3.6 Flash和3.5 Flash-Lite模型。
智能体视频理解功能相比传统静态处理有哪些优势？
相比传统静态处理，智能体视频理解功能可以动态搜索和扫描视频片段，只处理需要的部分，从而将令牌消耗降低高达88%，成本降低高达66%，同时准确率提升高达7%。此外，它还支持子秒级检索、异常检测和精确计数等新能力。
如何启用智能体视频理解功能？
您可以通过在Google AI Studio或Gemini Enterprise Agent Platform中设置API配置为“agentic”来启用该功能。它使用标准的Gemini API令牌定价，没有额外功能费用。
智能体视频理解功能有哪些实际应用场景？
该功能适用于多种场景，包括子秒级时刻检索（如精确编辑视频）、长视频中的针尖搜索（如多小时的录像中查找特定内容）、异常检测（如监控视频中的异常行为）、以及动作和物体计数（如统计重复动作或物体数量）。
智能体视频理解功能在哪些产品中可用？
该功能目前通过Gemini API在Google AI Studio和Gemini Enterprise Agent Platform中提供，支持视频上传和YouTube视频。未来还将推广到Gemini应用和YouTube的“Ask YouTube”功能。
