Gemini научилась сама выбирать, какие фрагменты видео смотреть, и тратит до 88% меньше токенов

Модели Gemini научились смотреть видео выборочно: они сами решают, какой фрагмент открыть, с какой частотой кадров и через что — картинку, звук или расшифровку. Google называет режим агентным анализом видео¹. Он доступен в Gemini 3.7 Flash, 3.6 Flash и 3.5 Flash-Lite.

До сих пор модель смотрела ролик целиком с постоянной частотой — по умолчанию один кадр в секунду. На длинных записях это дорого, а быстрые события между кадрами легко пропустить. Теперь модель работает в цикле: вызывает внутренний инструмент, загружает нужный кусок ролика и при необходимости пересматривает его чаще. Раньше разработчики могли собрать такую схему сами, но вручную.

По данным Google, на стандартных бенчмарках для анализа видео новый режим сокращает расход токенов до 88%, а расходы — до 66%. Точность при этом растёт до 7%. Сильнее всего выигрыш заметен на длинных роликах: от десятиминутных инструкций до полуторачасовых лекций и многочасовых записей. Лучшее соотношение качества и цены среди проверенных моделей, по оценке компании, дала Gemini 3.7 Flash.

Google перечисляет, что стало возможно: найти момент с точностью до долей секунды (например, для автоматического монтажа), ответить на вопрос по многочасовому видео без миллионов токенов, заметить быстрые движения и мелкие артефакты, точно посчитать повторяющиеся действия или предметы.

Режим включается одной настройкой в запросе к API и работает с загруженными файлами и роликами YouTube — через Google AI Studio² и Gemini Enterprise Agent Platform³. Отдельной платы за функцию нет, токены тарифицируются как обычно. Скоро режим появится в приложении Gemini для моделей Flash и Flash-Lite. В ближайшие месяцы на нём заработает функция «Спросить YouTube» на странице просмотра видео. Точных сроков Google не называет.