🎯 科技 · AI

谷歌Gemini新增智能体视频理解功能，分析成本最高降66%

一、谷歌推出革命性视频理解功能

9月3日，谷歌宣布为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。这项新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，显著降低视频分析的资源消耗与使用成本。

谷歌方面表示，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。而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，实现从"被动读取"到"主动理解"的范式跃迁。

基准测试显示，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%。

二、从静态帧到智能体的范式跃迁

与传统静态处理模式形成鲜明对比的是，智能体视频理解赋予模型自主决策能力——它可以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。

三、从开发者工具到消费者产品的全面渗透

目前，这项功能已在Google AI Studio、Gemini企业智能体平台上线，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。谷歌表示，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。

按照谷歌规划，这项技术将逐步向消费级产品落地——后续将推送至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。这项功能沿用Gemini API标准Token计费规则，不额外收取功能使用费，极大降低了开发者的使用门槛。

视频理解正在从"看画面"进化为"理解内容"，AI的智能体化趋势愈发明显。

综合环球网、爱范儿、CSDN报道 | 2026年9月4日