Google 推出 Gemini agentic video understanding，長片分析最多減少 88% token

Google 推出 Gemini agentic video understanding，長片分析最多減少 88% token。它怎麼處理影片 一般影片理解常用固定取樣，例如每秒讀一個影格。Google 這次讓 Gemini 自行決定何時要讀 transcript、音訊或特定時間範圍的影格，再根據問題反覆觀察與推理。官方鎖定的是 10 分鐘教學影片到數小時長片，希望把 token 花在真正相關的片段，而不是從頭到尾等量掃描。來源：@Google｜Gemini 的 agentic video understanding 運作流程圖，中央為 Gemini 標誌與名稱，左側為輸入的 Query（video + prompt），右側為輸出的 Output（text），下方環狀路徑涵蓋 Observation（影片影格、音訊或逐字稿）與 Think 階段；它會用 gettranscript 取得逐字稿、getframes(start, end, fps) 讀取影格，再由 get_audio(start, end) 擷取音訊。圖表實際提供的數字 Google DeepMind 隨附的評測不是只有一句「最多 88%」。和一般 3.7 Flash 相比，3.7 Flash with agentic 在 Minerva 的 token 用量從 80.9K 降到 33.6K；1H-VideoQA 從 397.6K 降到 47.7K；LVBench 從 300.3K 降到 36.0K。後兩項都是減少 88%。同一張圖也列出準確率：Minerva 從 73.7% 提升到 79.0%，1H-VideoQA 從 87.5% 到 88.5%，LVBench 從 85.1% 到 88.6%。來源：@GoogleDeepMind｜3.7 Flash with agentic 在 Minerva、1H-VideoQA 與 LVBench 的長影片理解與複雜推理評測中，相較於 3.7 Flash 均減少了每筆查詢所需的 token 數量，並在正確率上有所提升。另一張 1H-VideoQA 圖表則把 3.7 Flash with agentic 放在高準確率、低單次查詢成本的位置，並與 GPT 5.6 Sol、GPT 5.6 Terra、Claude Opus 5.0、Grok 4.6 比較。圖中的方法註記包含 Gemini 使用 high thinking、低媒體解析度，以及靜態處理採 1 FPS；不同模型的 reasoning 與影像設定並不完全相同，因此適合視為 Google 的產品評測，不是跨供應商的最終定論。來源：@GoogleDeepMind｜Gemini 3.7 Flash with agentic 在 1H-VideoQA benchmark 中取得最高 Accuracy 與極低 Cost per query，在 Accuracy 與成本效益上領先 GPT 5.6 Sol、GPT 5.6 Terra、Claude Opus 5.0 與 Grok 4.6 等模型。目前在哪裡可用 Gemini API、Google AI Studio 與 Gemini Enterprise Agent Platform 已提供這項能力；Gemini App 和 YouTube 觀看頁的「Ask YouTube」則是稍後推出。導入前仍要確認自己帳號可用的模型、API 限制與實際成本，並用代表性長片重跑 token、準確率與延遲測試。原文：https://easyvibecoding.app/curated/3235-google-gemini-agentic-video-understanding-reduces-token-use