谷歌为 Gemini API 上线视频 Agent，分析成本最高降 66%

谷歌已在 Gemini API 中上线 Agentic Video Understanding，允许模型自己决定查看哪段视频、以及采用什么方式检查内容。

普通模式下，系统默认按 1 FPS 固定抽帧，再一次性放进上下文。新模式则会沿时间轴自行寻找相关片段，并根据问题选择画面、音频或转录文本。遇到快速动作时，还可以提高帧率重新检查。

Google 自测数据显示，Gemini 3.7 Flash 开启这一功能后，Token 消耗最高下降 88%，分析成本最高下降 66%，准确率相对提升最高约 7%。

按官方介绍，这项能力既可以定位不到 1 秒的瞬间，也可以在几小时的视频中找到某个细节。技术上，它相当于把开发者过去需要自行搭建的「先定位、再精看」流程整合进 Gemini 内部。

目前，Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 均已支持该功能。上传视频和 YouTube 视频都可使用，且不会额外收取功能费用。后续这一能力还将接入 Gemini App 和 YouTube 的 Ask YouTube。