Google Gemini зменшує використання токенів до 88% при аналізі відео

**Google впровадив аналіз відео на основі агентів у кілька моделей Gemini Flash. Інструмент автономно вибирає сцени, кадри, аудіо або відповідні транскрипції і, за словами компанії, може зменшити використання токенів до 88%, покращуючи при цьому точність у певних оцінках.

Моделі Gemini 3.7 Flash, 3.6 Flash та 3.5 Flash-Lite можуть аналізувати сегменти менше ніж за секунду, включаючи зміни стану та розрізи, які можуть бути втрачені при звичайному вибірці одного кадру на секунду. Ця можливість є важливою для автоматизованого редагування, де короткий перехід або миттєва зміна можуть змінити значення сцени.

Система також може знаходити конкретні моменти в годинах запису, не споживаючи мільйони токенів під час процесу. Для цього вона ідентифікує потенційно релевантні часові вікна та повторно вибирає їх з вищою швидкістю кадрів, коли виявляє аномалію або сигнал, що потребує більшої тимчасової роздільної здатності.

Окрім знаходження сцен, Gemini може підраховувати повторювані рухи та окремі об'єкти протягом часу. Інструмент не обмежується лише спостереженням за зображеннями, оскільки поєднує кадри, аудіо та транскрипції залежно від природи завдання, яке розробник поставив перед ним.

Google стверджує, що ця автономна вибірка дозволяє моделі зосередити свої ресурси на моментах і сигналах, які дійсно важливі. Наслідком є менш жорсткий потік аналізу, в якому штучний інтелект вирішує, що досліджувати, з якою швидкістю це робити і яким чином, перш ніж надати відповідь.

До цього часу Gemini використовував статичну обробку, яка за замовчуванням вибирала відео з швидкістю одного кадру на секунду, хоча розробники могли налаштувати цю конфігурацію через API. З моменту запуску нативного аналізу відео у 2025 році система поєднувала вивчення кадрів з транскрипцією аудіодоріжки.

Агентний підхід безпосередньо пов'язує міркування моделі з нативними інструментами відео. Згідно з Google, Gemini може ініціювати цикл пошуку, відновити конкретну частину файлу, спостерігати за результатом і вирішити, чи потрібно звернутися до іншого сегмента, збільшити швидкість вибірки або змінити режим.

Переваги ефективності більш помітні в довгих матеріалах, які можуть варіюватися від 10-хвилинних навчальних відео до 90-хвилинних лекцій і файлів тривалістю кілька годин. За статичним методом розробники повинні були вибирати між високим споживанням токенів або використанням власних селективних технік, які могли відкидати релевантні деталі.

Google стверджує, що їхні результати в 1H-VideoQA та LVBench показують зниження використання токенів на 88%, супроводжуване незначним збільшенням точності. У оцінці 1H-VideoQA компанії Gemini 3.7 Flash з агентним аналізом досягає найвищої точності з найменшими витратами за запит, згідно з даними, представленими компанією.

Компанія також включила LongVideoBench серед тестів, використаних для порівняння продуктивності моделей. У цьому наборі оцінок Google описує Gemini 3.7 Flash як альтернативу з найвищою загальною якістю та найкращим поєднанням точності та ефективності витрат.

Ці результати є заявами Google і відображають їхні власні бенчмарки, тому вони не є самостійною валідацією всіх сценаріїв використання. Тим не менш, потенційна економія може бути важливою для застосувань, які обробляють великі аудіовізуальні бібліотеки, особливо коли кожен запит вимагає пошуку конкретного моменту, а не опису всього відео.

Агентний аналіз вже активний для завантажених відео та відео з YouTube через API Gemini в Google AI Studio та на платформі Gemini Enterprise Agent. Розробники повинні налаштувати режим обробки як "агентний" в API, щоб активувати селективну поведінку.

Google планує розширити технологію на свої власні продукти в майбутньому. Компанія сподівається незабаром впровадити її для всіх користувачів програми Gemini, які використовують пристрої Flash та Flash Lite, а також у найближчі місяці планує використовувати її у функції Ask YouTube на сторінці відтворення.