📖 AI 总结

谷歌近期为Gemini Flash系列模型推出了智能体视频理解功能，旨在解决视频作为高成本模态的推理难题。传统静态处理以固定每秒一帧的方式摄取整个视频，导致在上下文长度与细节保留间难以平衡。新功能让模型自主导航视频，按需决定观看内容、帧率及模态，仅加载提示所需片段。谷歌数据显示，该方案可减少高达88%的视频令牌消耗，成本降低66%，并在标准视频基准上准确率提升7%。该功能通过Gemini API托管提供，支持文件上传与YouTube链接，按标准令牌计费，无额外费用。其核心改进在于模型内部运行推理与工具调用循环，而非开发者手动组装，尤其对长视频分析效果显著，使Gemini 3.7 Flash在成本与精度上达到更优平衡。