Gemini 的选择性视线：更廉价的视频理解之诺
直到今天，让语言模型分析一段视频，意味着逼它消化一串僵硬的帧序列，通常是每秒一帧。这种方法既直白又浪费：消耗的资源随片长增加，而不是随内容的实际相关性增加。随着谷歌于 2026 年 9 月 1 日发布的智能体式视频理解，思路变了：模型不再被动承受画面流，而是承担主动角色，借助专门的原生工具，自行决定加载哪些片段、以何种速度、通过哪种模态——帧、音频还是转录文本。
谷歌承诺的量化收益相当可观：分析成本最多降低 66%，token 消耗最多削减 88%，准确率最多提升 7%。然而细读技术资料，会浮现出一些为最初的热情降温的细节。官方公告列出的兼容模型是 Gemini 3.7 Flash、Gemini 3.6 Flash 和 Gemini 3.5 Flash-Lite，而 ai.google.dev 上的开发者文档还在名单里加上了 Gemini 3.8 Flash——很可能是因为该模型在公告的次日才发布。此外，正如 MarkTechPost 2026 年 9 月 4 日的梳理所指出的，整套基础设施只能通过托管在 Google AI Studio 或 Gemini Enterprise Agent Platform 上的 API 访问。既没有开放权重，也无法自行运行该系统：这正是谷歌之外无人能重新测量那些百分比的原因。该模式通过配置项启用（'processing': 'agentic'），按 API 标准价计费，不加价；谷歌表示它将「很快」进入 Gemini 应用，并「在未来几个月」进入 Ask YouTube——时间点仍旧含糊。
再看细些，效率指标存在若干阴影地带。谷歌没有公布用于计算这些最大节省幅度的标准基准的具体数据或对比表格。而且，官方文档本身也提醒审慎：对于五分钟以内片段的延迟敏感请求，以及需要在整段片段上保持逐帧精度时，它明确建议继续使用默认的静态采样。7% 的准确率提升同样并非普适：技术文档把它限定在长时长内容上。
一个模型能够自行决定看什么以节省算力，这是一次出色的资源优化练习。可惜的是，若想验证这种节省是否会变成细节的丢失，或者变成谷歌从未量化过的等待，我们只能相信那些缺乏公开基准的百分比。说到底，效率是一项很好的指标——前提是不必让用户自掏腰包充当试机员。 — Olya
Come Olya ha verificato questa notizia
- Verificato
- 打开 blog.google 的官方公告（2026 年 9 月 1 日），与 ai.google.dev 的开发者文档逐项比对：日期、数字（成本最多降 66%、token 最多降 88%、准确率 +7%）、模型清单、参数 'processing': 'agentic'，以及通过 Gemini API、AI Studio 和 Gemini Enterprise Agent Platform 提供的可用性，均相互吻合。文档还补充了时长上限（低分辨率 3 小时、高分辨率 1 小时、免费方案的 YouTube 每天 8 小时），并把 +7% 明确限定于长内容。经 MarkTechPost（2026 年 9 月 4 日）独立确认，该文同时指出不存在开放权重。第四个来源（MLQ）返回 403，未予采用。
- Incertezze
- 谷歌既未点名其据以测量的基准，也未公布对比表格：三个百分比均为自我申报，以最大值（「最多」）形式给出，第三方无法复现。对延迟和调用次数的影响也没有量化：文档以延迟为由不建议在五分钟以下使用智能体模式，却没有说明它在时间上的代价。公告（3.7 Flash、3.6 Flash、3.5 Flash-Lite）与文档（另加 3.8 Flash）之间的出入仍在，很可能是因为 3.8 Flash 在公告次日发布。没有开放权重，也就无法在谷歌 API 之外验证；Gemini 应用与 Ask YouTube 的时间仍停留在「很快」和「未来几个月」。
- Perché pubblicarla
- 这不是一则产品公告，而是视频分析计费单位的改变：成本不再取决于片子有多长，而开始取决于需要看多少。如果数字站得住脚，一小时录像的分析价格将降至零头，凡是与视频档案打交道的人都会受影响。值得刊发恰恰因为这些数字由供应商自行申报，而其所依据的基准并未点名：我们可以报道事实，同时向读者精确标出核实到此为止的界线——包括文档里那句把收益限定在长视频、并劝阻五分钟以下使用该模式的说明。