Google представила Agentic Video Understandingi — новый режим анализа видео в Gemini, в котором модель сама решает, как изучать ролик: выбирает нужные фрагменты, переключается между кадрами, аудио и транскриптом, меняет частоту обработки. Раньше Gemini смотрела видео статично — примерно 1 кадр в секунду плюс аудио, читая заранее размеченные таймстемпы, независимо от того, важен ли момент.

По данным Google, новый подход снижает расход токенов до 88%, стоимость анализа — до 66%, а точность на длинных видео растёт до 7%. Эффект особенно заметен на многочасовых записях — лекциях, вебинарах, записях с камер, где раньше модель тратила огромные ресурсы на кадры, не влияющие на ответ.

• В агентном режиме модель может переходить к нужному таймкоду, запрашивать отдельные кадры, менять FPS и разрешение, делать транскрипт отдельных участков видео и повторять несколько циклов анализа подряд
• По данным канала NEURO-AI, ранее час видео обходился в 360 тысяч токенов; в новом режиме модель начинает с текстовой расшифровки и подтягивает кадры только по делу
• Функция доступна через Gemini APIi, Google AI Studio и Gemini Enterprise Agent Platform для моделей Gemini 3.7 Flash, 3.6 Flash и 3.5 Flash-Lite; работает как с загруженными видео, так и с YouTube
• Полезные сценарии: поиск нужного момента в многочасовой записи, обнаружение аномалий, точный подсчёт действий и объектов, анализ быстрых движений, ответы по длинным лекциям без трат миллионов токенов
• Google планирует позже интегрировать этот режим в Ask YouTubei (по данным канала Tips AI)
• Замеры экономии и точности проводила сама Google, независимых проверок этих цифр пока никто не публиковал (отмечает NEURO-AI)