谷歌 DeepMind 推出 Gemini 代理式影片理解功能

Google DeepMind 推出 Gemini 代理式影片理解功能

Google DeepMind 今日正式在 Gemini 3.7 Flash、3.6 Flash 與 3.5 Flash‑Lite 三款模型上推出 代理式影片理解（agentic video understanding）。只要在 Google AI Studio 或 Gemini Enterprise Agent Platform 的 API 設定中將模式切換為「agentic」，即可即時使用此功能。

何謂「代理式」？

傳統的影片分析多採「靜態」方式，即以固定的每秒影格數（預設 1 FPS）將整段影片逐格送入模型，導致 代幣（token）消耗 與 運算成本 隨影片長度線性上升。

代理式影片理解則結合 Gemini 原生的 影片工具 與模型的推理能力，讓系統能 動態搜尋、掃描與檢查 目標段落，跨越視覺畫面、音訊與文字稿，同時執行程式碼以完成更細緻的任務（如次秒級別的瞬間檢索、異常偵測、精確計數等）。

效能提升數據

代幣使用量降低最高 88%：動態取樣大幅減少不必要的影格輸入。
分析成本下降最高 66%：計算資源需求隨代幣減少同步縮減。
準確度提升最高 7%：動態聚焦關鍵片段提升模型判斷品質。

在標準影片分析基準測試中，三款模型皆展現上述效益；其中 Gemini 3.7 Flash 在品質與成本的平衡上達到最佳的 Pareto 前緣（即在相同成本下提供最高準確度，或在相同準確度下成本最低）。

為何對長影片特別有利？

長篇內容（10 分鐘的教學影片、90 分鐘的大學講座，甚至多小時的會議錄影）在靜態模式下，開發者往往必須在「高代幣成本」與「資訊遺失」之間妥協。代理式方法僅在需要的時間點抽取資訊，讓長影片的分析成本不再與影片長度成正比，同時保留關鍵細節。

立即使用方式

前往 Google AI Studio 或 Gemini Enterprise Agent Platform。
在 API 設定中選擇 agentic 模式。
上傳本機影片或提供 YouTube 影片網址，即可啟用代理式影片理解。

未來展望

跨領域應用：結合代理式視覺與影片工具，可望在自動剪輯、內容審查、智慧教育等領域開發出更高效的解決方案。
模型迭代：隨著 Gemini 系列持續升級，動態取樣與程式碼執行的協同效應將進一步提升，未來或可支援更高解析度與多語言音訊的即時分析。
成本結構變革：若代幣與計算成本持續下降，開發者將更容易在雲端部署大規模影片 AI 服務，降低進入門檻。

結語：Google DeepMind 的代理式影片理解不僅在技術層面突破了傳統「靜態」分析的瓶頸，更為影片 AI 的商業化應用提供了更具成本效益的路徑。對於需要處理大量長影片的企業與開發者而言，這項功能值得立即納入工作流程，並持續關注後續的模型優化與新功能發布。