Google Launches Agentic Video Understanding for Gemini Flash Models, Cutting Video Tokens by Up to 88%

📋总体概括

Google为Gemini Flash系列模型推出「智能体式视频理解」能力。传统做法以每秒1帧的速率将整段视频全部转为token输入模型，成本高且低效；新机制让模型像智能体一样主动导航视频，只加载与提示词相关的片段，可将视频token消耗削减最高88%。这标志着视频理解从被动全量编码转向按需检索式的agentic架构，在长视频分析场景下显著降低推理成本与延迟。