# Google 推出 Gemini agentic video understanding，長片分析最多減少 88% token

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：Google (@Google) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥🔥🔥 · 日期：2026-09-02

> 原始來源：https://x.com/Google/status/2094840983913402704

## 證據與延伸閱讀

- [Google 推出 Gemini agentic video understanding，長片分析最多減少 88% token。](https://x.com/Google/status/2094840328314380599) — 官方文件 · 最後核對：2026-09-02 · 支持主張：The post adds a static-sampling baseline and describes agentic processing of multiple video modalities; its visible card states up to 88% fewer tokens for more accurate long-form processing.
- [Gemini agentic video understanding — @GoogleDeepMind](https://x.com/GoogleDeepMind/status/2094840182457422260) — 官方文件 · 最後核對：2026-09-02 · 支持主張：The post adds a mechanism detail—dynamic frame-rate selection across transcript, audio, and visual frames—and repeats the visible claim of up to 88% fewer tokens for more accurate long-form processing.
- [Gemini agentic video understanding — @OfficialLoganK](https://x.com/OfficialLoganK/status/2094843377774895538) — 官方文件 · 最後核對：2026-09-02 · 支持主張：The announcement adds an agentic-video-understanding feature and reports a claimed token-efficiency improvement of up to 88%, but gives no benchmark details in the excerpt.
- [長片分析最多可減少 88% token。](https://x.com/Google/status/2094840983913402704)

## 中文摘要

Google 推出 Gemini agentic video understanding，長片分析最多減少 88% token。

**它怎麼處理影片** 一般影片理解常用固定取樣，例如每秒讀一個影格。Google 這次讓 Gemini 自行決定何時要讀 transcript、音訊或特定時間範圍的影格，再根據問題反覆觀察與推理。官方鎖定的是 10 分鐘教學影片到數小時長片，希望把 token 花在真正相關的片段，而不是從頭到尾等量掃描。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/990afb7492a9627f.jpg)
> 來源：[@Google](https://x.com/Google/status/2094840328314380599)｜Gemini 的 agentic video understanding 運作流程圖，中央為 Gemini 標誌與名稱，左側為輸入的 Query（video + prompt），右側為輸出的 Output（text），下方環狀路徑涵蓋 Observation（影片影格、音訊或逐字稿）與 Think 階段；它會用 `get_transcript` 取得逐字稿、`get_frames(start, end, fps)` 讀取影格，再由 `get_audio(start, end)` 擷取音訊。

**圖表實際提供的數字** Google DeepMind 隨附的評測不是只有一句「最多 88%」。和一般 3.7 Flash 相比，3.7 Flash with agentic 在 Minerva 的 token 用量從 80.9K 降到 33.6K；1H-VideoQA 從 397.6K 降到 47.7K；LVBench 從 300.3K 降到 36.0K。後兩項都是減少 88%。同一張圖也列出準確率：Minerva 從 73.7% 提升到 79.0%，1H-VideoQA 從 87.5% 到 88.5%，LVBench 從 85.1% 到 88.6%。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1e82c91b5679384b.jpg)
> 來源：[@GoogleDeepMind](https://x.com/GoogleDeepMind/status/2094840182457422260)｜3.7 Flash with agentic 在 Minerva、1H-VideoQA 與 LVBench 的長影片理解與複雜推理評測中，相較於 3.7 Flash 均減少了每筆查詢所需的 token 數量，並在正確率上有所提升。

另一張 1H-VideoQA 圖表則把 3.7 Flash with agentic 放在高準確率、低單次查詢成本的位置，並與 GPT 5.6 Sol、GPT 5.6 Terra、Claude Opus 5.0、Grok 4.6 比較。圖中的方法註記包含 Gemini 使用 high thinking、低媒體解析度，以及靜態處理採 1 FPS；不同模型的 reasoning 與影像設定並不完全相同，因此適合視為 Google 的產品評測，不是跨供應商的最終定論。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/69b2169dfc13547f.jpg)
> 來源：[@GoogleDeepMind](https://x.com/GoogleDeepMind/status/2094840182457422260)｜Gemini 3.7 Flash with agentic 在 1H-VideoQA benchmark 中取得最高 Accuracy 與極低 Cost per query，在 Accuracy 與成本效益上領先 GPT 5.6 Sol、GPT 5.6 Terra、Claude Opus 5.0 與 Grok 4.6 等模型。

**目前在哪裡可用** Gemini API、Google AI Studio 與 Gemini Enterprise Agent Platform 已提供這項能力；Gemini App 和 YouTube 觀看頁的「Ask YouTube」則是稍後推出。導入前仍要確認自己帳號可用的模型、API 限制與實際成本，並用代表性長片重跑 token、準確率與延遲測試。

## 標籤

功能更新, Gemini, Google