谷歌为 Gemini Flash 推出智能体视频理解功能，视频 Token 消耗最高降低 88%

谷歌在其 Gemini Flash 系列模型中上线智能体视频理解功能，将传统的单次全量抽帧转换为按需检索的主动导航模式。

• 传统处理默认按每秒 1 帧固定采样整段视频，而新模式由模型自主调用内置视频工具，针对性搜索和检查关键时间片段、音频与字幕。
• 官方评测数据显示，在长视频场景下该机制最高可减少 88% 的视频 Token 消耗与 66% 的调用费用，标准基准测试准确率提升最高达 7%。
• 该能力以托管 API 形式在 Google AI Studio 及 Gemini 企业平台提供，支持本地上传与公开 YouTube 链接，导航过程中的推理将按思考 Token 计费。
• 影响/看点：该功能降低了长视频多模态推理的调用成本，未来普及程度取决于其在高度动态、细节密集的短片段定位中的识别稳定性。
• 资料依据：
• MarkTechPost（2026-09-04）：https://www.marktechpost.com/2026/09/04/google-agentic-video-understanding-gemini-flash-models/
• Google 开发者文档（2026-09-04）：https://ai.google.dev/gemini-api/docs/vision

本内容由 AI 生成，仅供参考，请注意甄别