谷歌推出智能体视频理解功能，优化Gemini模型视频分析效能

2026-09-03 10:24:22
来源：环球网资讯

谷歌推出智能体视频理解功能，优化Gemini模型视频分析效能,谷歌,智能体

(资料图片仅供参考)

来源：环球网

【环球网科技综合报道】9月3日消息，据biggo报道，谷歌近日宣布为Gemini 3.7 Flash、3.6 Flash以及3.5 Flash‑Lite模型新增智能体视频理解功能，在提升模型视频分析准确率的同时，显著降低视频分析的资源消耗与使用成本。该功能沿用Gemini API标准Token计费规则，不额外收取功能使用费。

据介绍，以往模型处理视频多采用静态处理模式，按照固定帧率读取视频内容，默认帧率为1FPS，开发者可通过应用程序接口进行参数调整。全新的智能体视频理解功能，将模型核心推理能力与原生视频工具相结合，能够从视频视觉帧、音频、转录文本当中，动态检索、扫描、核验目标片段。

基准测试结果显示，搭载智能体视频理解能力的Gemini模型，最高可将视频分析成本降低66%，Token消耗量最高下降88%，分析准确率最高提升7%。该技术优势在长视频处理场景中表现突出。传统静态处理模式下，开发者往往需要在高额Token开销与遗失关键视频细节二者之间权衡取舍，新技术可有效摆脱这一困境。谷歌方面表示，Gemini 3.7 Flash搭配该新功能，综合表现最优，实现了分析质量与成本效率的良好平衡，处于视频理解任务准确率与成本的帕累托最优前沿。

不同于固定帧率读取媒体流的静态处理方式，智能体视频理解赋予模型自主决策能力，可根据任务目标自主选择读取内容、播放速度，选取视频帧、音频、转录文本等信息模态，只提取任务所需片段与信号。以往需要开发者手动完成的筛选操作，如今可由模型通过智能循环调用内部工具完成，有效缩减开发工作量。

该功能具备多项实用能力，支持亚秒级时刻检索，精准捕捉固定帧率下容易遗漏的状态变化与剪辑边界，助力高精度自动化视频编辑；可对时长数小时的长视频开展复杂内容检索，不用消耗海量Token资源；能够针对指定时间窗口调高采样帧率，完成快速运动画面、细微视觉异常的检测，还可以对时序下的重复动作、多类物体实现精准计数。

目前，这项功能已经在Google AI Studio、Gemini企业智能体平台的Gemini应用程序接口上线，支持本地视频上传与YouTube视频解析，开发者只需在接口配置中将处理模式设置为“agentic”，即可开启该能力。

按照谷歌规划，这项技术能力还将逐步向面向普通用户的产品落地。后续该功能将推送至Gemini应用全部Flash、Flash‑Lite模型用户；未来数月，智能体视频理解还将赋能YouTube视频页面的“Ask YouTube”功能，依托Gemini模型，输出更贴合视频画面内容的问答结果。（纯钧）

标签：谷歌智能体应用程序视频理解视频分