Google 正在为 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 添加基于代理的视频分析能力，这一变化可能重新定义视频理解的成本与效率。
发生了什么
据 The Decoder 报道，Google 在 Gemini 系列模型中引入了代理式视频分析机制。与以往固定帧率逐帧扫描视频不同，新机制下模型会自主决定需要检查的视频片段以及相应的分辨率。Google 声称，这种方法可以将 Token 使用量降低高达 88%，同时提高分析准确性，尤其是对于长达数小时的视频素材。
这一功能覆盖了 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 三个型号，意味着从高端到轻量级的模型都能受益于这种智能采样策略。
为什么重要
视频分析一直是多模态 AI 的高成本领域。传统方法以固定速率采样帧，导致大量冗余计算，尤其是对于监控录像、讲座或纪录片等长视频，Token 消耗呈线性增长，实际应用中往往因成本过高而受限。
Google 此次的突破在于将"代理"概念引入视频处理流程——模型不再被动地均匀采样，而是像一位有经验的剪辑师，先快速浏览全局，再针对关键片段进行高分辨率细看。这种主动选择机制直接降低了计算开销，同时避免了均匀采样可能遗漏关键细节的问题。
从技术演进看，这反映了 AI 从"蛮力计算"向"智能分配资源"的转变。类似思路已在文本处理中显现（如 RAG 中的选择性检索），但在视频领域，由于数据量巨大且时间维度复杂，实现自主决策更具挑战性。Google 的这一步可能为视频理解树立新标杆。
影响与看点
对开发者而言，最直接的影响是成本下降：Token 消耗降低 88% 意味着处理长视频的 API 费用大幅缩减，使得更多应用场景变得经济可行，例如视频内容审核、媒体资产管理、自动驾驶数据标注等。
同时，准确性提升意味着模型能更专注于关键帧，减少误判。这对于需要从长时间监控中寻找特定事件的场景尤为重要。
值得关注的是，这种代理式分析是否会在其他模态（如音频、3D 数据）中推广，以及它如何与多代理系统结合——例如，一个代理负责全局扫描，另一个负责细节分析。此外，不同 Flash 型号的决策策略是否有差异，以及用户能否自定义采样偏好，都是值得观察的后续方向。
总体来看，Google 此举不仅是一次技术优化，更可能推动视频 AI 应用从"演示级"走向"生产级"。对于依赖视频理解的行业，这或许是一个值得重新评估成本模型的信号。
