谷歌Gemini视频理解上线，成本降66%准确率提升7%

谷歌今天发布了 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 模型的智能体视频理解功能。这个功能的目标是提高视频分析的准确率，同时把 Token 消耗和处理成本压下来。

功能走标准 Gemini API Token 定价，不额外收费。传统静态处理方式下，模型按固定帧率读视频，默认 1 FPS，可以通过 API 调。智能体视频理解把模型核心推理和原生视频工具绑在一起，能在视觉帧、音频和转录文本里动态搜索、扫描、检查目标视频片段。

在标准视频分析基准测试里，搭载这个功能的 Gemini 模型能把分析成本最多降 66%，Token 消耗最多降 88%，准确率最多提升 7%。长视频场景里这种效率提升更明显，传统静态处理经常逼着开发者在高 Token 成本和丢失关键细节之间做取舍。

谷歌的说法是，Gemini 3.7 Flash 搭配智能体视频理解，整体质量最好，在质量和成本效率之间找到了平衡点，视频理解任务里处在准确率和成本的帕累托最优前沿。

静态处理是模型按固定帧率读媒体流，智能体视频理解则让 Gemini 主动决定看什么、以什么速度看、用哪种模态（帧、音频或转录文本）拿信息，只提取需要的片段和信号。以前这些要开发者手动做，现在 Gemini 通过智能循环调用内部工具加载视频相关部分，开发工作量少了不少。

这个功能给开发者处理长视频带来几项新能力：

• 亚秒级时刻检索：能定位 1 FPS 下容易错过的瞬间状态变化和紧凑剪辑边界，做高精度自动化视频编辑。
• 长视频“大海捞针”搜索：在几小时长的视频里回答复杂查询，不用烧几百万 Token。
• 异常检测：对感兴趣的时间窗口用更高帧率重新采样，检查快速运动和细微视觉伪影。
• 动作与物体计数：随时间推移跟踪重复物理动作和不同物体。

功能已经在 Google AI Studio 和 Gemini Enterprise Agent Platform 的 Gemini API 里上线，支持视频上传和 YouTube 视频分析。开发者在 API 配置里把处理模式设成“agentic”就能用。

谷歌还打算把这项能力推广到更多普通用户产品里。功能很快会推送给 Gemini 应用中所有 Flash 和 Flash-Lite 模型用户；未来几个月，智能体视频理解还会给 YouTube 视频观看页的“Ask YouTube”功能提供支持，用 Gemini 给出基于视频画面的回答。