2026 年 9 月 1 日，Google DeepMind 在 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 三款模型上上线「智能体视频理解」（agentic video understanding）能力。官方基准数据显示，这项能力可将视频分析的 token 消耗最高降低 88%、成本最高降低 66%，同时准确率最高提升 7%。

从固定抽帧到主动查找

此前的视频理解走的是静态处理路线：模型按固定帧率（默认每秒 1 帧，可通过 API 调整）把整段视频流吞进去。处理长视频时，要么 token 成本居高不下，要么靠抽帧技巧省 token 却丢掉关键细节。

智能体式处理改变了这个逻辑。模型不再被动消化整段视频，而是以完成任务为目标，自主决定看什么内容、以多快的速度看、通过哪个模态看——画面、音频还是转写文本。它调用 Gemini 的原生视频工具，按需加载视频文件的对应片段，只提取任务所需的时刻与信号。

官方基准：88%、66%、7%

在标准视频分析基准测试中，开启智能体视频理解后，Gemini 模型的分析成本最高降低 66%，token 消耗最高降低 88%，准确率最高提升 7%。

三款模型都能获得这些增益，其中 Gemini 3.7 Flash 综合表现最佳，处于准确率与成本的帕累托前沿，是目前视频理解任务中质量与成本兼顾的最优选择。

四种典型能力

智能体视频理解带来四类此前的固定抽帧难以做到的处理：

  • 亚秒级时刻检索：捕捉转瞬即逝的状态变化与剪辑边界——1 FPS 抽帧容易漏掉这些瞬间，该能力可直接用于自动化视频剪辑；
  • 长视频大海捞针式检索：在不消耗数百万 token 的前提下，回答跨多小时视频的复杂问题；
  • 异常检测：对感兴趣的时间窗口按更高 FPS 重新采样，观察快速运动与细微画面异常；
  • 动作与物体计数：跨时间准确追踪重复的物理动作与特定物体。

长视频收益最明显

效率提升在长视频上尤为突出——从 10 分钟的教程、90 分钟的讲座到多小时录播。静态处理迫使开发者在高 token 成本与抽帧丢细节之间二选一，智能体处理按需取帧，把两个问题一起解决。

开发者如何接入

该能力已通过 Gemini API 开放，支持视频上传与 YouTube 视频分析，入口包括 Google AI Studio 与 Gemini Enterprise Agent Platform。按标准 token 定价计费，无额外功能费。启用方式是在 API 配置中将 processing 设为「agentic」。

后续计划

Google 称，这项能力将向 Gemini app 全部用户（Flash 与 Flash-Lite 模型）铺开，未来数月还会驱动 YouTube 观看页的「Ask YouTube」功能，基于视频画面给出答案。

对视频分析开发者而言，成本结构已经改变：同样的任务，token 开销可降到原来的约八分之一，而准确性不降反升。接入的第一步，只是改一个 API 参数。