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「代理式视频理解」（Agentic Video Understanding）能力。以往Gemini以每秒1帧的方式被动摄取整段视频，导致大量冗余token消耗；新机制让模型像智能体一样主动在视频中导航，只加载与当前提示词相关的片段，官方称视频token消耗最多可降低88%。这标志着视频处理从「全量编码」转向「按需检索」，在长视频理解的成本与效率上迈出实质性一步，也可能重塑多模态推理的工程范式。