一句话看懂：Google DeepMind 为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 推出 agentic 视频理解功能，让模型不再按固定帧率“硬看”视频，而是像人一样按需检索画面、音频和字幕。官方数据显示，这一改动最多可削减 88% 的 token 消耗和 66% 的成本，同时准确率最高提升 7%。
事件核心：发生了什么
Google DeepMind 于 2026 年 9 月 1 日发布公告，正式上线 agentic video understanding 功能。该功能目前支持 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 三款模型，开发者可通过 Google AI Studio 或 Gemini Enterprise Agent Platform 的 API，将视频处理配置切换为“agentic”模式后立即使用。
与传统的静态处理不同——后者通常以每秒 1 帧的固定速率消化整个视频——agentic 视频理解让模型在推理过程中动态决定“看什么、以什么速度看、通过哪种模态看”。模型会调用内部工具，只加载目标视频段落的视觉帧、音频或转录文本，完成检索后即可回答复杂问题。
根据官方公布的基准测试结果，在 LongVideoBench 等长视频理解测试中，开启 agentic 模式后，Gemini 3.7 Flash 的 token 消耗最多下降 88%，分析成本最多下降 66%，准确率则提升最多 7%。官方还特别强调，Gemini 3.7 Flash 是该组合中准确率与成本均衡性最好的模型。
为什么重要
此次更新本质上改变了视频分析的计算范式。以往处理长视频，开发者必须在“高 token 成本”和“丢失关键细节”之间二选一：要么用高帧率烧钱，要么用低帧率漏掉转瞬即逝的画面。Agentic 模式让模型自己当“剪辑师”，按需拉取关键片段，从机制上绕开了这一取舍。
这一设计思路与 Google DeepMind 此前推出的 agentic vision 一脉相承——后者是将代码执行能力与图像理解结合，而视频版则是把原生视频工具接入了模型推理循环。值得注意的是，这种“动态采样”策略并不依赖更大的算力或更长的训练，而是通过优化推理路径来省钱，这对依赖视频理解 API 的创业者来说，意味着更低的边际成本。
对用户/开发者/创作者的影响
对开发者而言，最直接的变化是成本结构。过去分析一段 90 分钟讲座视频，如果按 1 FPS 抽取 5400 帧，token 消耗量巨大；现在模型只会取需要画面对，API 账单会明显变小。官方同时强调，此前这类“按需取帧”逻辑需要开发者自己写脚本实现，现在模型通过 agentic loop 内部完成，开发工作量也被压缩。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于创作者和内容团队，新功能带来的实用价值集中在几个具体场景：亚秒级时刻检索可在多镜头素材中精准定位镜头切换点；多次重复的动作或物体计数更准确；针对快速运动的画面，模型可自动提高采样帧率进行复核。简单说，AI 剪辑、视频质检、运动分析类应用的门槛正在降低。
值得关注的后续
与这次发布相关的后续观察点有三个。第一，这种 agentic 模式是否会从 API 走向 Gemini 消费级产品（如 App 或 Workspace），让普通用户直接体验，目前官方尚未明确透露时间表。第二，竞品是否会跟进：OpenAI 的 GPT-5 系列在长视频处理上同样成本高昂，如果 Google 的 token 削减数据在第三方评测中被复现，将直接冲击多模态 API 的价格体系。第三，长视频的多模态综合理解（画面+音频+字幕同步检索）在效果上是否真的稳定，需观察开发者在真实生产环境中的反馈，而非仅看官方基准数字。目前公开信息显示，该功能仅限 API 调用生效，本地离线模式或自定义视觉模型尚未支持。
