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

  • ✓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」
⚡

开发者 3 秒速决决策指标

一眼结论
🏆 权威跑分段位榜单
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%
查看天梯总榜→
💰 调用成本与套餐比价
输入 $0.75 / 输出 $3.75
查可用套餐与测算↗
🛠️ 开发与接入生态规则
AI · LLM · Gemini
配置 IDE 专属规则↗
🧭

把技术选型换算成你的开发预算

40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟

⚔️ 模型战力比拼→💰 比较订阅与额度↗
实战指南准备好将技术转化为生产力？

即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。

⚔️ 开始双模型比拼→💳 查看可用套餐↗
接着读Google DeepMind 为 Gemini 带来智能体视频理解，Token 最多节省 88%
立即阅读→