Google DeepMind 于 9 月 1 日推出代理式视频理解能力，让 Gemini 按问题动态检索视频片段，而非固定频率处理全部画面。官方称基准中 token 消耗和成本有所下降、准确率有所提升，结果需结合实际视频类型验证。
从固定抽帧转向目标检索
Google DeepMind 于 2026 年 9 月 1 日介绍 Gemini 的代理式视频理解。与按固定帧率扫描整个视频不同，模型可以根据问题选择需要查看的时间片段，并调用视频工具检查画面、音频或字幕信息。
长视频分析有机会减少冗余
这种方式适合查找某一事件发生时间、统计对象出现次数或定位异常片段。Google 在标准视频分析基准中报告，部分任务的 token 消耗最多减少 88%、成本最多降低 66%，准确率最多提高 7%。这些是官方测试中的上限表现，不代表所有输入都会获得相同比例的改进。
需要检查遗漏和证据链
动态检索可能忽略模型认为不相关、但事后证明重要的片段。监控、培训和审计等场景应保留原始视频索引，允许人工复查关键时间点，并检查模型的定位结果是否真正支持结论。效率提升要与漏检风险和可追溯性一起评估。