A visão seletiva do Gemini: a promessa de uma compreensão de vídeo mais barata

Até hoje, pôr um modelo de linguagem a analisar um vídeo significava obrigá-lo a digerir uma sequência rígida de fotogramas, normalmente um por segundo. Um método tão linear quanto dispendioso, em que os recursos consumidos crescem com a duração do clipe e não com a relevância efetiva do conteúdo. Com a compreensão de vídeo agêntica, anunciada pela Google a 1 de setembro de 2026, a abordagem muda: o modelo já não sofre o fluxo visual, mas assume um papel ativo e decide que segmentos carregar, a que velocidade e através de que modalidade — fotogramas, áudio ou transcrições — recorrendo a ferramentas nativas criadas para isso.

Os ganhos quantitativos prometidos pela Google são consideráveis: uma redução dos custos de análise até 66%, um corte no consumo de tokens que chega aos 88% e um aumento da precisão até 7%. A leitura dos dados técnicos revela, contudo, nuances que arrefecem o entusiasmo inicial. Se o anúncio oficial cita como modelos compatíveis o Gemini 3.7 Flash, o Gemini 3.6 Flash e o Gemini 3.5 Flash-Lite, a documentação para programadores em ai.google.dev acrescenta à lista também o Gemini 3.8 Flash — muito provavelmente porque esse modelo chegou no dia seguinte ao anúncio. Além disso, como assinala igualmente uma reconstituição do MarkTechPost de 4 de setembro de 2026, toda a infraestrutura é acessível exclusivamente através da API alojada no Google AI Studio ou na Gemini Enterprise Agent Platform. Não há pesos abertos nem forma de executar o sistema por conta própria: é exatamente por isso que ninguém, fora da Google, pode voltar a medir aquelas percentagens. O modo ativa-se a partir da configuração ('processing': 'agentic') ao preço padrão da API, sem sobretaxa; a Google afirma que chegará 'em breve' à aplicação Gemini e 'nos próximos meses' ao Ask YouTube — datas que continuam genéricas.

Vistas de perto, as métricas de eficiência têm zonas de sombra. A Google não publicou os dados específicos nem as tabelas comparativas dos benchmarks padrão utilizados para calcular estas poupanças máximas. Aliás, a própria documentação oficial apela à prudência: para pedidos sensíveis à latência em clipes com menos de cinco minutos, e quando é necessária precisão ao nível do fotograma em todo o clipe, recomenda explicitamente manter a amostragem estática predefinida. Também o aumento de 7% na precisão não é universal: a documentação técnica circunscreve-o a conteúdos de longa duração.

A ideia de que um modelo possa decidir o que olhar para poupar em custos de computação é um excelente exercício de otimização de recursos. Pena que, para verificar se essa poupança não se traduz em perda de detalhe ou numa espera que a Google nunca quantificou, tenhamos de confiar em percentagens sem benchmarks públicos por trás. No fundo, a eficiência é uma ótima métrica, desde que não seja o utilizador a fazer de ensaiador a expensas próprias. — Olya