Google 与 DeepMind 为最新 Gemini 模型引入智能体视频理解：模型不再默认按每秒一帧静态扫描，而是结合字幕、音频与画面动态调帧，只抓取关键片段。该能力已通过 Gemini API 向 3.7 Flash、3.6 Flash 与 3.5 Flash-Lite 开放。

核心要点速览 (Key Takeaways)

  • ✓相对默认每秒一帧的静态处理，智能体方式可动态调帧并联合推理音视频与转写
  • ✓长视频（10 分钟教程到数小时录像）节省最为明显，Token 最多减少 88%
  • ✓已在 Google AI Studio / Gemini API 上线，随后将进入 Gemini App 与 YouTube「Ask YouTube」
ADSponsored