Gemini 讓模型自己決定怎麼看影片：agentic 影片理解上線，token 最多省 88%

2026 年 9 月 1 日，Google 宣布在 Gemini 3.7 Flash、Gemini 3.6 Flash 與 Gemini 3.5 Flash-Lite 三款模型上推出「agentic 影片理解」（agentic video understanding）。這不是換一顆更大的模型，而是換掉模型「看影片的方法」。

過去模型處理影片，是以固定影格率（fixed frame rate）把整支影片從頭到尾吃進去：兩小時的監視器錄影與兩分鐘的產線片段，走的是同一套機械化流程。新做法把「怎麼看」交回模型自己決定——看哪一段、用什麼速度看（哪裡跳過、哪裡放慢逐格細看），以及透過哪一種模態取得資訊：視覺影格、音訊，還是逐字稿。以前是要模型「看完整支影片再回答」，現在是要它「自己去找答案在哪一段」。

官方數據：省的不只是錢，準確度還升

Google 公布的成效有三個數字，方向一致：

• token 消耗最多減少 88%
• 分析成本最多降低 66%
• 準確度最多提升 7%

三者同時改善，是這則新聞真正值得注意之處。多數效率優化是拿準確度換成本，這次的邏輯不同：模型不再被逼著把大量無關影格塞進上下文，雜訊變少，判斷反而更清楚。其中 Gemini 3.7 Flash 搭配 agentic 理解，在整體品質、以及品質與成本效率的組合上表現最佳。

四項具體能力與供應方式

• 次秒級片段定位（sub-second moment retrieval）：能指出某個畫面出現在第幾秒，可直接用於自動剪輯。
• 長影片分析不爆 token：數小時的錄影可大幅減少必須切段處理的情況。
• 異常偵測：採自適應重取樣（adaptive resampling），效果相當於平時快轉、可疑處放慢。
• 動作與物件計數：數人數、數件數、數重複動作的精準度提升。

供應面同樣值得留意：這項能力即日起於 Google AI Studio 與 Gemini Enterprise Agent Platform 可用，Gemini App 稍後推出；價格採 Gemini API 標準 token 計價，不另外收取功能費。它不是要另外談約的高階方案，而是併入既有計價的能力升級。

對管理者的意義

企業裡的影像資料多半是「出事才調出來看」的沉睡資產——工地的監視器、產線的錄影、門市的客流畫面、會議與現場的錄影，量太大、看不完。當分析成本最多可降到約三分之一、又能大幅減少切段拼接的麻煩之後，這批資料才第一次有機會從「事後證據」變成「日常訊號」。若要試，建議選一個原本就有錄、卻從沒人看完的影像來源，先問一個很窄的問題（例如「這週有幾次未戴安全帽進場」），而不是要它「總結這支影片」——窄問題才吃得到次秒級定位與計數的好處，也才驗證得出這條路對你的場景值不值得投。