Gemini の選択的な視線 — より安価な動画理解という約束

これまで、言語モデルに動画を解析させるとは、通常は毎秒1枚という硬直したフレーム列を丸ごと飲み込ませることを意味していた。単純ではあるが浪費的な方法で、消費されるリソースは内容の重要度ではなく、クリップの長さに比例して増えていく。2026年9月1日に Google が発表したエージェント的な動画理解によって、この前提が変わる。モデルはもはや映像の流れを受け身で被るのではなく、能動的な役割を担い、どの区間を読み込むか、どの速度で、どのモダリティ（フレーム、音声、書き起こし）を通すかを、専用のネイティブツールを使って自分で決める。

Google が示す数値上の利点は大きい。解析コストは最大66%減、トークン消費は最大88%減、精度は最大7%向上だという。ただし技術資料を読み込むと、当初の高揚を冷ます細部がいくつか浮かび上がる。公式発表が互換モデルとして挙げるのは Gemini 3.7 Flash、Gemini 3.6 Flash、Gemini 3.5 Flash-Lite だが、ai.google.dev の開発者向けドキュメントはそこに Gemini 3.8 Flash も加えている。おそらく、そのモデルが発表の翌日に登場したためだ。さらに、2026年9月4日の MarkTechPost の整理も指摘するとおり、この仕組みは Google AI Studio または Gemini Enterprise Agent Platform 上でホストされる API 経由でしか利用できない。オープンな重みはなく、自前で動かす手段もない。Google の外にいる誰も、あの数値を測り直せない理由はまさにそこにある。モードは設定（'processing': 'agentic'）から有効化でき、追加料金なしの標準 API 料金である。Google は Gemini アプリには「まもなく」、Ask YouTube には「今後数か月のうちに」と述べているが、時期は曖昧なままだ。

よく見れば、効率の指標にはいくつかの影がある。Google は、この最大値の節約を算出した標準ベンチマークについて、具体的な数値も比較表も公開していない。しかも公式ドキュメント自身が慎重さを促している。5分未満のクリップでレイテンシが重要な要求のとき、またクリップ全体で1フレーム単位の精度が必要なときには、既定の静的サンプリングにとどまることを明示的に勧めているのだ。精度が7%上がるという話も普遍的ではない。技術文書はそれを長尺コンテンツに限定している。

モデルが計算コストを節約するために「何を見るか」を自分で決められるという発想は、リソース最適化として実に見事だ。惜しいのは、その節約が細部の取りこぼしや、Google が一度も数値化していない待ち時間に転じていないかを確かめようにも、公開ベンチマークのない百分率を信じるほかないことである。結局のところ効率は優れた指標だ——ただし、ユーザーが自腹で試験係を務めさせられないかぎりは。 — Olya