Gemini 推出智能体视频理解功能，Token 消耗最高降低 88%

Google DeepMind 于 2026 年 9 月 1 日正式发布智能体视频理解功能，覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 三款模型。该功能的核心思路与此前推出的智能体视觉能力一脉相承——将代码执行与模型原生图像理解相结合——此次则进一步延伸至视频领域，赋予模型对视频内容进行主动、目标导向分析的能力。

传统静态处理方式以固定帧率（默认每秒 1 帧）摄取视频流，模型无法自主选择关注重点。智能体视频理解则通过内部工具调用构建一个智能体循环，让 Gemini 能够动态搜索、扫描并精细检视目标视频片段，按需在视觉帧、音频和文字转录之间切换，仅加载真正相关的时间段与信号，从而大幅减少冗余计算。

在标准视频分析基准测试中，Gemini 3.7 Flash 启用智能体理解后，Token 消耗最高降低 88%，成本最高降低 66%，准确率最高提升 7%。在三款支持模型中，Gemini 3.7 Flash 综合表现最优，在质量与成本效率的帕累托前沿上处于领先位置，尤其适合对长视频进行高精度、低成本的批量处理。

该功能带来了多项具体能力提升：亚秒级时刻检索可精准定位静态帧率下容易遗漏的瞬间状态变化；长视频「大海捞针」搜索能在数小时录像中回答复杂问题而无需消耗数百万 Token；异常检测可对感兴趣的时间窗口以更高帧率重采样，捕捉快速运动与细微视觉异常；动作与物体计数则能准确追踪重复动作和不同物体。

在商业落地层面，该功能已通过 Gemini API 在 Google AI Studio 和 Gemini Enterprise Agent Platform 上线，采用标准 Token 定价，不收取额外功能费用。开发者只需在 API 配置中将 processing 参数设为「agentic」即可启用。与此同时，Google 计划将该功能逐步推广至 Gemini 应用的全体用户，并在未来数月内为 YouTube 的「Ask YouTube」功能提供支持，以视觉内容为基础提供更高质量的问答体验。

要点

• 智能体视频理解已在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 上线，Token 消耗最高降低 88%，成本最高降低 66%，准确率最高提升 7%。
• 与固定帧率的静态处理不同，该功能通过智能体循环让模型主动决定分析哪些片段，按需在视频帧、音频和文字转录之间切换。
• 核心能力包括亚秒级时刻检索、长视频复杂问答、高帧率异常检测和精准动作计数，尤其适合长视频批量处理场景。
• 功能采用标准 Token 定价，无额外收费，开发者在 API 配置中将 processing 设为「agentic」即可启用。
• Google 计划将该功能扩展至 Gemini 应用全体用户及 YouTube 的「Ask YouTube」功能，进一步扩大受益范围。