谷歌今日正式在Gemini最新模型中推出“代理视频理解”（agentic video understanding）功能，覆盖Gemini 3.7 Flash、3.6 Flash及3.5 Flash-Lite。该功能让模型不再静态逐帧处理视频，而是主动搜索、扫描关键片段，结合视觉、音频和转录内容进行动态分析。[[1]](https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-agentic-video-in-gemini/)
官方基准显示，此举可将token消耗降低高达88%，分析成本减少66%，准确率提升7%。长视频场景（如90分钟讲座或多小时录像）收益尤为显著，开发者无需在高成本与丢帧之间取舍。功能已通过Gemini API在Google AI Studio和企业代理平台上线。[[2]](https://blockchain.news/news/google-gemini-agentic-video-understanding)
这一更新正值AI视频分析需求激增之际。传统静态处理在长内容上效率低下，而代理式方法更接近人类观看习惯，适合视频编辑、内容检索、企业培训等场景。与DeepMind此前双盲评估试点共同，显示谷歌在推动前沿AI实用化和可验证性上的双线布局。
相比静态处理主导的竞品，此举强化了Gemini在多模态效率上的优势。未来6-12个月，代理能力或成为视频AI标配，谁能将成本与精度平衡做到极致，谁就更易拿下长内容市场份额。[[1]](https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-agentic-video-in-gemini/)
信源：https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-agentic-video-in-gemini/