2026 年 9 月 1 日，Google DeepMind 在官方博客发布 Gemini 智能体式视频理解能力，首批覆盖 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite。变化不只是“模型能看视频”，而是它不再必须按固定帧率把大量无关画面一并送入上下文。
它不是“多看几帧”，而是先决定看哪里
传统视频分析通常按固定帧率抽帧，Gemini API 的静态处理默认是每秒 1 帧。面对长教程、讲座或数小时录像，这种做法要么消耗大量 token，要么因降低采样密度而错过短暂动作。
新能力把推理与原生视频工具结合起来。模型会围绕问题动态搜索、扫描和重看片段，并在画面、音频与转写文本之间选择所需信号。定位一秒内发生的变化时，它可以提高局部采样率；寻找一句关键表述时，则不必把全片逐段精读。这也是 AI Agent 和固定工作流的区别：模型开始决定下一步调用什么工具。
“最多节省 88% token”不能当成固定折扣
Google 公布的标准视频分析基准显示，开启后 token 消耗最多下降 88%，分析成本最多下降 66%，准确率最多提升 7%。这些数字都有“最多”条件，且来自特定模型、视频长度和问题类型，不能直接套到每个业务。更可靠的做法是拿自己的视频与查询集合做 A/B 测试，同时记录 token、延迟、召回率和错误定位。
官方认为 Gemini 3.7 Flash 在测试模型中给出了更好的准确率与成本组合；短视频或只做粗略摘要的任务，未必获得同等收益。优势更可能出现在快速动作、异常检测、精确计数和跨数小时检索。相关能力边界可参考站内的 多模态模型实际用途梳理。
开发者接入前先做四项检查
该功能已支持上传视频和 YouTube 视频，入口包括 Google AI Studio 的 Gemini API 与 Gemini Enterprise Agent Platform。把视频处理方式设为 agentic 即可启用，不另收功能费，但仍按常规 API token 计费。
上线前要确认：业务是否需要定位细节而非只做摘要；答案是否应带时间点供人工复核；音频、字幕和画面冲突时采用什么规则；批量任务是否有成本与时长上限。Google 计划随后把能力带到 Gemini 应用和 YouTube 的 Ask YouTube，当前不能把 API 可用等同于所有终端都已上线。
