Gemini 让模型自己决定怎么看视频：agentic 视频理解上线，token 最多省 88%
谷歌于 2026-09-01 在 Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite 上推出 agentic 视频理解，模型自行决定看哪一段、用什么速度、走哪种模态，官方数据 token 最多减 88%、成本最多降 66%、准确度最多升 7%。
2026 年 9 月 1 日，谷歌宣布在 Gemini 3.7 Flash、Gemini 3.6 Flash 与 Gemini 3.5 Flash-Lite 三款模型上推出「agentic 视频理解」（agentic video understanding）。这不是换一颗更大的模型，而是换掉模型「看视频的方法」。
过去模型处理视频，是以固定帧率（fixed frame rate）把整支视频从头到尾吃进去：两小时的监控录像与两分钟的产线片段，走的是同一套机械化流程。新做法把「怎么看」交回模型自己决定——看哪一段、用什么速度看（哪里跳过、哪里放慢逐帧细看），以及通过哪一种模态获取信息：视觉帧、音频，还是文字稿。以前是要模型「看完整支视频再回答」，现在是要它「自己去找答案在哪一段」。
官方数据：省的不只是钱，准确度还升
谷歌公布的成效有三个数字，方向一致：
- token 消耗最多减少 88%
- 分析成本最多降低 66%
- 准确度最多提升 7%
三者同时改善，是这则新闻真正值得注意之处。多数效率优化是拿准确度换成本，这次的逻辑不同：模型不再被迫把大量无关帧塞进上下文，噪声变少，判断反而更清楚。其中 Gemini 3.7 Flash 搭配 agentic 理解，在整体质量、以及质量与成本效率的组合上表现最佳。
四项具体能力与供给方式
- 亚秒级片段定位（sub-second moment retrieval）：能指出某个画面出现在第几秒，可直接用于自动剪辑。
- 长视频分析不爆 token：数小时的录像可大幅减少必须切段处理的情况。
- 异常检测：采用自适应重采样（adaptive resampling），效果相当于平时快进、可疑处放慢。
- 动作与物体计数：数人数、数件数、数重复动作的精准度提升。
供给面同样值得留意：这项能力即日起于 Google AI Studio 与 Gemini Enterprise Agent Platform 可用，Gemini App 稍后推出；价格采用 Gemini API 标准 token 计价，不另外收取功能费。它不是一个要另外谈合同的高阶方案，而是并入既有计价的能力升级。
对管理者的意义
企业里的影像数据多半是「出事才调出来看」的沉睡资产——工地的监控、产线的录像、门店的客流画面、会议与现场的录像，量太大、看不完。当分析成本最多可降到约三分之一、又能大幅减少切段拼接的麻烦之后，这批数据才第一次有机会从「事后证据」变成「日常信号」。若要试，建议选一个本来就有录、却从没人看完的影像来源，先问一个很窄的问题（例如「这周有几次未戴安全帽进场」），而不是要它「总结这支视频」——窄问题才吃得到亚秒级定位与计数的好处，也才验证得出这条路对你的场景值不值得投。