推出基于Gemini的智能体视频理解

判断

决定长视频分析算力预算的团队，现在可以把「固定抽帧」换成让模型自己扫描，但只该先切在离线批处理上；一旦放进实时交互，省下的 token 换不来延迟上限，这笔账由盯端到端延迟的那个人付。

依据

Google DeepMind 高级产品经理 Rohan Doshi 与研究总监 Mario Lučić 在 2026年9月1日的发布里说，新功能把模型的原生视频工具接进推理：静态处理按固定帧率（frames per second，即每秒取帧数，默认 1 FPS）整段吞视频，智能体视频理解则让模型自己搜索、扫描、回看目标片段，覆盖画面、音频和转写文本。官方给的对照数字是 token 消耗最多降 88%、分析成本最多降 66%、准确率最多升 7%，长视频（10 分钟教程到 90 分钟讲座、数小时录像）收益最大。取舍就在这里：88% 和 66% 都是「最高」值，也就是最好个案，而静态处理虽然贵，每段视频要喂多少帧是事先可算的；换成动态扫描后，扫描次数由模型临场决定，成本与耗时从固定值变成浮动值，实时交互那一步就没有可对外承诺的上限。启用方式是把 API 配置设为 agentic，在 Google AI Studio 或 Gemini Enterprise Agent Platform 生效。