DeepMind推Gemini agentic视频理解

时间：2026年9月1日 地点：美国加利福尼亚州山景城（Google DeepMind） 人物：Rohan Doshi（DeepMind 高级产品经理）、Mario Lučić（DeepMind 研究总监） 事件详情：Google DeepMind 正式上线"agentic video understanding"（智能体视频理解）功能，覆盖 Gemini 3.7 Flash、Gemini 3.6 Flash 与 Gemini 3.5 Flash-Lite 三款最新模型。新功能把传统"按固定帧率（默认 1 FPS）逐帧采样"的静态处理方式，替换为模型主动判断"看哪里、以什么速度看、用哪条模态"的智能体循环，可在视觉帧、音频、转录文本三种通道间动态切换，按需加载相关片段。 背景：此前多模态模型分析长视频时必须按固定帧率逐帧采样，导致 token 消耗巨大且容易漏掉帧间细微变化。从 10 分钟教程到 90 分钟讲座、再到数小时录像，开发者长期陷于"高 token 换高细节"或"低细节换低 token"的两难。 影响：DeepMind 官方基准显示，agentic 视频理解最高可减少 88% 的 token 消耗、66% 的分析成本，同时准确率最高提升 7%。Gemini 3.7 Flash 在 1H-VideoQA 基准的精度-成本 Pareto 前沿上同时跑赢 GPT-5.6 Sol、GPT-5.6 Terra、Claude Opus 5 与 Grok 4.6。该功能还解锁了"亚秒级时刻检索""多小时视频大海捞针""动态帧率异常检测""动作与对象精确计数"四类新能力。 总结：DeepMind 把"agentic"思路从图像扩展到视频，让模型从被动消费者变成会查档的研究者。功能已通过 Gemini API 在 Google AI Studio 与 Gemini Enterprise Agent Platform 上线，沿用标准 token 定价、不另收功能费，未来数月还将随 Gemini App 与 YouTube 的"Ask YouTube"功能覆盖更多用户。 参考来源： - https://deepmind.google/blog/introducing-agentic-video-in-gemini/ - https://agentictribune.com/article/20260901-google-rolls-out-agentic-video-understanding-in-gemini-flash-to-cut-token-use-and-costs - https://www.startuphub.ai/ai-news/ai-research/2026/gemini-agentic-video-understanding-cuts-costs - https://theaicronicle.com/en/news/tools/google-gemini-agentic-video-understanding - https://nextcryptotrends.com/googles-gemini-models-launch-agentic-video-understanding - https://www.orcarouter.ai/blog/gemini-agentic-video-understanding - https://wpnews.pro/news/google-says-gemini-3-7-flash-is-at-the-frontier-of-accuracy-and-cost-at-agentic