DeepMind 为 Gemini 引入智能体式视频理解，token 消耗最多降 88%

Google DeepMind 近日宣布，已为其最新 Gemini 模型引入智能体式（agentic）视频理解能力。根据官方在 X 平台发布的消息，相关模型在视频分析任务中准确率有所提升，同时 token 消耗最多可减少 88%。

核心更新：智能体式视频理解

DeepMind 在帖文中将这一能力描述为「agentic video understanding」。与传统被动式逐帧处理不同，智能体式视频理解允许模型在分析过程中自主调度资源、选择关注重点，以更接近人类注意力分配的方式处理长视频内容。官方强调，新方法在提升准确率的同时显著降低了 token 用量。

关键数据：token 消耗最高减少 88%

官方给出的核心指标是 token 使用量最高减少 88%。在多模态视频分析场景中，token 消耗与视频帧密度、采样策略直接相关，这一降幅意味着处理相同视频所需的推理成本将大幅压缩。对长视频摘要、视频问答、多模态 Agent 等任务而言，这一效率提升具有直接价值。

适用范围与后续信息

帖文将适用范围表述为「最新 Gemini 模型」，未在公开内容中指明具体型号。完整技术说明、benchmark 表现与接入方式需通过帖文附带的链接进一步查阅。开发者与产品团队可关注后续官方文档，以了解实际可调用的接口、定价及能力边界。