Google Gemini在分析视频时减少高达88%的令牌使用

**谷歌将基于代理的视频分析功能引入多个Gemini Flash模型。该工具能够自主选择相关的场景、帧、音频或转录内容，并且根据公司说法，可以在提高特定评估的准确性的同时，将令牌的使用减少高达88%。

Gemini 3.7 Flash、3.6 Flash和3.5 Flash-Lite模型可以分析少于一秒的片段，包括状态变化和可能在传统每秒一帧的采样中遗漏的剪辑。这一能力对于自动化编辑至关重要，因为短暂的过渡或瞬时的修改可能会改变场景的含义。

该系统还可以在数小时的录制中定位特定时刻，而不会在此过程中消耗数百万个令牌。为此，它识别潜在相关的时间窗口，并在检测到异常或需要更高时间分辨率的信号时，以更高的帧速率重新采样。

除了寻找场景外，Gemini还可以计数重复的动作和单个物体随时间的变化。该工具不仅限于观察图像，因为它根据开发者提出的任务的性质结合帧、音频和转录。

谷歌表示，这种自主选择使得模型能够将资源集中在真正重要的时刻和信号上。结果是一个更灵活的分析流程，在这个流程中，人工智能决定检查什么、以什么速度进行以及通过哪种模式交付答案。

到目前为止，Gemini使用的是静态处理，默认情况下以每秒一帧的速度对视频进行采样，尽管开发者可以通过API调整该设置。自2025年推出原生视频分析以来，该系统将帧的研究与音轨的转录结合在一起。

基于代理的方法将模型的推理直接连接到原生视频工具。根据谷歌的说法，Gemini可以启动一个搜索循环，检索文件的特定部分，观察结果并决定是否需要查询另一个片段、提高采样速度或更改模式。

在较长的材料中，效率优势更为明显，这些材料可以从10分钟的教程到90分钟的讲座和数小时的文件。使用静态方法时，开发者必须在承担高令牌消耗和使用自己的选择性技术之间做出选择，而后者可能会忽略相关细节。

谷歌声称，其在1H-VideoQA和LVBench上的结果显示令牌使用量下降了88%，同时准确性略有提高。在公司的1H-VideoQA评估中，Gemini 3.7 Flash凭借基于代理的分析以最低的查询成本达到了最高的准确性，根据公司提供的数据。

该公司还在用于比较模型性能的测试中包括了LongVideoBench。在这一评估集中，谷歌将Gemini 3.7 Flash描述为具有最佳整体质量和最佳准确性与成本效率组合的替代方案。

这些结果是谷歌的声明，反映了其自身的基准，因此并不等同于对所有使用场景的独立验证。尽管如此，潜在的节省对于处理大型视听库的应用可能是相关的，特别是当每个查询需要寻找一个特定时刻而不是描述完整视频时。

代理分析功能已经在通过Gemini API上传的视频和YouTube视频中激活，开发者必须在API中将处理模式设置为“agentic”以激活选择性行为。

谷歌计划在稍后将该技术扩展到其自身的产品中。该公司希望尽快将其带给所有使用Flash和Flash Lite设备的Gemini应用用户，同时在接下来的几个月中也计划在播放页面的Ask YouTube功能中使用它。

本内容仅供参考，不构成任何金融、投资、法律或税务建议。文中提及的任何活动、奖励、线上活动或相关信息，不应被视为对购买、出售或交易任何加密资产的推荐、招揽或邀请。加密资产具有高波动性，存在价值损失风险。WEEX服务、产品及相关活动的可用性可能因地区而异。用户在参与前有责任确保符合当地适用法律法规。