Избирательное зрение Gemini: обещание более дешёвого понимания видео

До сих пор поручить языковой модели проанализировать видео означало заставить её переварить жёсткую последовательность кадров, обычно по одному в секунду. Метод столь же прямолинейный, сколь и расточительный: расход ресурсов растёт вместе с длительностью ролика, а не с реальной значимостью содержания. С появлением агентного понимания видео, о котором Google объявила 1 сентября 2026 года, подход меняется: модель больше не претерпевает поток изображений пассивно, а берёт на себя активную роль и сама решает, какие фрагменты загружать, с какой скоростью и через какую модальность — кадры, звук или расшифровки, — пользуясь предусмотренными для этого нативными инструментами.

Обещанные Google количественные выгоды впечатляют: снижение стоимости анализа до 66 %, сокращение расхода токенов до 88 % и прирост точности до 7 %. Однако разбор технических данных выявляет нюансы, остужающие первоначальный восторг. Официальное объявление называет совместимыми Gemini 3.7 Flash, Gemini 3.6 Flash и Gemini 3.5 Flash-Lite, тогда как документация для разработчиков на ai.google.dev добавляет в список ещё и Gemini 3.8 Flash — по всей видимости, потому что эта модель вышла на следующий день после анонса. Кроме того, как отмечает и разбор MarkTechPost от 4 сентября 2026 года, вся инфраструктура доступна исключительно через API, размещённый в Google AI Studio или на Gemini Enterprise Agent Platform. Открытых весов нет, как нет и возможности запустить систему у себя: именно поэтому никто за пределами Google не может перепроверить эти проценты. Режим включается из конфигурации ('processing': 'agentic') по стандартной цене API, без наценки; Google заявляет, что он появится «скоро» в приложении Gemini и «в ближайшие месяцы» в Ask YouTube — сроки остаются расплывчатыми.

При более внимательном взгляде у метрик эффективности есть теневые зоны. Google не опубликовала ни конкретных данных, ни сравнительных таблиц по стандартным бенчмаркам, на которых рассчитывалась эта максимальная экономия. Более того, сама официальная документация призывает к осмотрительности: для чувствительных к задержке запросов по роликам короче пяти минут и в случаях, когда нужна покадровая точность на всём ролике, она прямо советует оставаться на стандартной статической выборке. Не универсален и прирост точности в 7 %: техническая документация ограничивает его длинным контентом.

Мысль о том, что модель может сама решать, на что смотреть, чтобы сэкономить на вычислениях, — прекрасное упражнение в оптимизации ресурсов. Жаль лишь, что для проверки, не оборачивается ли эта экономия потерей деталей или ожиданием, которое Google так и не измерила, нам приходится верить процентам без публичных бенчмарков. В конце концов, эффективность — отличная метрика, при условии, что испытателем за собственный счёт не приходится работать пользователю. — Olya