一段90分钟的讲座视频，过去AI分析要烧掉大量算力，现在成本能砍掉近九成。Google DeepMind在2026年9月1日发布了Gemini的「Agentic Video Understanding」功能，让AI不再傻乎乎地把整段视频从头到尾读一遍，而是像人一样，先听问题，再带着目的去视频里找答案。
这个功能目前已经在Gemini 3.7 Flash、Gemini 3.6 Flash和Gemini 3.5 Flash-Lite上开放使用。核心变化在于，AI从「被动接收」变成了「主动侦查」——它会根据你的提问，自己决定该看视频的哪一段、该用多高的清晰度去看。
传统方式为什么又贵又笨？
过去Gemini处理视频用的是「静态处理」：不管视频多长，统一按每秒1帧的速率抽帧，然后把所有画面和音频一股脑塞给模型。这个方法对付短视频还行，但遇到几十分钟甚至几小时的素材就麻烦了——要么消耗大量token，要么为了省成本降低帧率，结果把一闪而过的关键画面漏掉了。
Agentic Video Understanding的思路完全不同。它让Gemini先理解问题，再反过来决定「我需要看视频的哪个部分」。如果某个区间的信息不够，它还能主动调整那个区间的帧率和分辨率，重新看一遍。处理资源不再平均分配，而是集中火力在真正需要的地方。
能干什么？从数拍手到找剪辑点
Google官方举了几个典型场景，每一个都踩在传统方案的痛点上：
- 数动作次数：比如数一段视频里拍了多少次手。快速动作在1FPS的静态处理下很容易被漏掉或混淆，新功能可以自动提高帧率重新确认。
- 找剪辑点：定位视频编辑中剪切的位置，这类瞬间变化往往只有几帧。
- 长视频搜索：在数小时的录像里找某个特定事件，不用从头到尾全看一遍。
- 异常检测：先低帧率扫一遍，发现异常区间再提高帧率细看。
Google给出的测试数据显示，相比传统静态处理，Agentic Video Understanding能把token消耗最多降低88%，同时精度最高提升约7%。在10分钟的解说视频、90分钟的讲座这类中长视频上，效率改善尤其明显。
成本与精度的「帕累托前沿」
在专门测试长视频理解能力的「1H-VideoQA」基准上，Google对比了单次查询的成本和精度。结果启用Agentic Video Understanding的Gemini 3.7 Flash，在所有被测模型中处于「帕累托前沿」——简单说，就是没有其他模型能在同等成本下做到更高精度，或在同等精度下做到更低成本。整体分析成本最多可削减66%。
这个结果并不意外。过去处理长视频，大量token浪费在无关画面上；现在AI只盯着关键区间看，省下的算力自然可观。
怎么用？API指定一下就行
开发者想用这个功能很简单：在Gemini API里把视频处理方式指定为「agentic」即可。目前Google AI Studio和Gemini Enterprise Agent Platform已经支持，上传的视频和公开的YouTube视频都能分析。功能本身不额外收费，只按正常的Gemini API token价格计费。
如果你处理的是5分钟以内的短视频、更看重响应速度，Google也保留了传统的静态处理模式，开发者可以根据场景自行选择。
下一步：进入Gemini应用和YouTube
Google不打算把这个能力锁在API里。官方计划在近期把Agentic Video Understanding带到Gemini应用的Flash和Flash-Lite版本中。另外，几个月内还会集成到YouTube视频观看页面的「Ask YouTube」功能里，让用户直接对着视频提问时，AI能给出更靠谱的回答。
从「AI看视频」到「AI知道该看哪里」，这个转变听起来不大，但对长视频分析的成本结构来说，是一次实打实的改变。对于经常处理会议录像、课程回放、监控素材的团队，这个功能值得第一时间试试。
热门跟贴