Вибірковий зір Gemini: обіцянка дешевшого розуміння відео

Донедавна доручити мовній моделі проаналізувати відео означало змусити її перетравити жорстку послідовність кадрів, зазвичай по одному на секунду. Метод настільки ж прямолінійний, наскільки й марнотратний: витрачені ресурси зростають разом із тривалістю ролика, а не з реальною вагомістю змісту. З появою агентного розуміння відео, про яке Google оголосила 1 вересня 2026 року, підхід змінюється: модель більше не терпить візуальний потік пасивно, а бере активну роль і сама вирішує, які відрізки завантажувати, з якою швидкістю та через яку модальність — кадри, звук чи розшифровки, — послуговуючись передбаченими для цього нативними інструментами.

Кількісні переваги, які обіцяє Google, вражають: зниження вартості аналізу до 66 %, скорочення витрат токенів до 88 % і приріст точності до 7 %. Однак розбір технічних даних виявляє нюанси, що остуджують початковий захват. Офіційне оголошення називає сумісними Gemini 3.7 Flash, Gemini 3.6 Flash і Gemini 3.5 Flash-Lite, тоді як документація для розробників на ai.google.dev додає до переліку ще й Gemini 3.8 Flash — вочевидь тому, що ця модель вийшла наступного дня після анонсу. До того ж, як зазначає і реконструкція MarkTechPost від 4 вересня 2026 року, уся інфраструктура доступна виключно через API, розміщений у Google AI Studio або на Gemini Enterprise Agent Platform. Відкритих ваг немає, як немає й можливості запустити систему самотужки: саме тому ніхто поза Google не може переміряти ці відсотки. Режим вмикається з конфігурації ('processing': 'agentic') за стандартною ціною API, без націнки; Google заявляє, що він з'явиться «незабаром» у застосунку Gemini і «в найближчі місяці» в Ask YouTube — терміни лишаються загальними.

Якщо придивитися, у показників ефективності є тіньові зони. Google не оприлюднила ані конкретних даних, ані порівняльних таблиць стандартних бенчмарків, на яких обчислено цю максимальну економію. Ба більше, сама офіційна документація закликає до обачності: для чутливих до затримки запитів щодо роликів коротших за п'ять хвилин і тоді, коли потрібна покадрова точність на всьому ролику, вона прямо радить лишатися на типовій статичній вибірці. Не є універсальним і приріст точності на 7 %: технічна документація обмежує його довгим контентом.

Думка про те, що модель може сама вирішувати, на що дивитися, аби заощадити на обчисленнях, — чудова вправа з оптимізації ресурсів. Шкода лише, що для перевірки, чи не обертається ця економія втратою деталей або очікуванням, якого Google так і не виміряла, нам доводиться вірити відсоткам без публічних бенчмарків. Зрештою, ефективність — прекрасна метрика, за умови, що випробувачем за власний кошт не мусить бути користувач. — Olya