Gemini 模型中的代理式视频理解

谷歌早期的“静态”视频处理方式意味着无论内容是否重要，都以固定的每秒帧数摄入视频。代理式视频理解则用一种能跨视频帧、音频和文字稿动态搜索、扫描和检查目标片段的模型取代了这一方式 ^[1]。谷歌报告称，与旧的静态方法相比，该方法最高可将 token 消耗减少 88%，分析成本降低 66%，同时准确率提升高达 7% ^[1]。在 1H-VideoQA 和 LVBench 等长视频基准测试中，每次查询的 token 使用量据称从大约 30 万至 40 万个降至不足 5 万个 ^[2]。

谷歌正借此发布做出一项不同寻常的竞争性声明：在长视频问答任务中，一个相对便宜的 Flash 级模型，而非高价旗舰模型，在成本与准确率的权衡上处于前沿，优于 OpenAI 的 GPT-5.6、Anthropic 的 Claude Opus 5 和 xAI 的 Grok 4.6 ^[2]。特别是在 Minerva 复杂推理基准测试中，该方法实现了约 58% 的 token 节省，同时准确率相对提升了约 7 个百分点 ^[2]。这一说法得到了独立验证的支持：Artificial Analysis 此前已将 Gemini 3.7 Flash 列为智能与速度帕累托前沿的模型，随后发现其在现实世界的电子表格和文档任务中，在其自有的 AA-AnalystAgent 基准测试中表现优于 Claude Opus 5 和 GPT-5.6 Sol ^[2]。Sundar Pichai 称 Gemini 3.7 Flash 是谷歌有史以来增长最快的模型 ^[2]。

此次功能上线遵循了明确的步骤：目前代理式视频理解仅通过 Google AI Studio 和 Gemini 企业代理平台的 Gemini API 提供，支持上传的视频和 YouTube 链接 ^[1][3]。谷歌表示，将很快把该功能扩展至消费者版 Gemini 应用中的所有用户（涵盖 Flash 和 Flash-Lite 模型），并在未来几个月内将其用于 YouTube 视频播放页面的“向 YouTube 提问”功能，使对话式回答基于视频的实际画面，而不仅仅是元数据或文字稿 ^[1]。这种分阶段路径——先面向开发者，再面向消费者——与谷歌此前在 Gemini 2.5 中推出“静态”视频理解的方式一致，后者在被这种动态、工具化的方法取代前，已在 YouCook2 密集字幕和 QVHighlights 时刻检索等基准测试中达到业界领先水平 ^[4]。

社交媒体上的反应总体积极，突出的效率数据引发了大量讨论，独立 AI 评论员普遍认为这是实质性的能力提升，而非边际改进。技术导向的用户特别关注模型在演示中自动计数重复动作，并自主决定何时需要更多或更少帧数的场景，认为这消除了开发者此前必须手动管理的权衡，例如在其他代理工具中手动设定固定帧率。但并非所有人都认为此次发布具有即时意义：一些人指出，免费用户可能仍会停留在旧模型上，无法立即获得新功能；至少有一种质疑观点认为，此次发布依赖于能力声明，缺乏公开的基准测试或定价细节，并警告称，长视频代理在受控演示中可能看起来令人印象深刻，但在基础任务上仍可能出错——例如准确定位某个时刻、解释其重要性并准确引用其发生位置。随着该功能扩展至更多产品，演示的精致程度与日常可靠性之间的差距将成为真正的考验。