Gemini 推出智能体式视频理解

Google DeepMind 在官方 X 账号宣布，Gemini 模型新增「智能体式视频理解」（agentic video understanding）能力。与过去对整段视频文件逐帧扫描不同，新版本会同时结合视频的转录文本、音频流和画面帧进行推理，并根据回答需要动态调整采样帧率，精准定位关键片段。

核心能力

Gemini 不再把视频当作需要逐帧读取的二进制文件，而是把它拆成三条互补的信息通道：

• 转录文本：捕捉人物对白与旁白，提供语义主线。
• 音频流：承载语气、背景声、音乐等转录难以覆盖的信息。
• 画面帧：保留视觉内容，供需要图像证据的问题使用。

模型会在推理过程中根据问题决定重点采样哪一条通道，并动态拉高或降低帧率，把「算力」集中到最相关的时间段。这一思路与近期业界推广的智能体（agentic）调用模式一致：先规划、再行动、最后整合答案。

适用模型与渠道

新功能已在 Google AI Studio 的 API 中开放，覆盖三款主打性价比的 Flash 系列模型：

• Gemini 3.7 Flash
• Gemini 3.6 Flash
• Gemini 3.5 Flash-Lite

Google 同时表示，智能体视频理解将在近期登陆 Gemini App，面向更广泛的普通用户。当前公告未给出 Pro 系列与更高规格模型的明确时间表。

效率与适用场景

官方强调，效率收益在长视频场景下最为明显，从 10 分钟的教程类内容到数小时的长讲座、播客或会议录像都能受益。原因在于：过去处理长视频需要消耗的 token 数会随时长线性甚至超线性增长，而动态采样 + 多通道推理让模型可以跳过大量冗余帧，仅在需要时调取细节，从而显著降低上下文开销与延迟。

对于依赖 Gemini 做视频摘要、内容检索、客服质检或媒体资产管理的开发者来说，这一更新意味着可以在不升级到 Pro 级别模型的前提下，用更低成本处理更长、更复杂的视频任务。