谷歌为Gemini Flash模型推出智能体视频理解，视频令牌最高削减88%

核心事实

谷歌于近日宣布，为其Gemini Flash系列模型推出全新的“智能体视频理解”（Agentic Video Understanding）功能。该功能通过智能选择视频中的关键帧，而非逐帧处理，可将视频令牌（token）数量最高削减88%，从而大幅降低处理成本与延迟。据官方介绍，该能力专为需要实时或近实时视频理解的智能体应用设计，例如机器人导航、实时监控等场景。

背景与影响

视频理解通常需要处理大量视觉令牌，导致高额的计算开销和响应延迟。谷歌此次推出的智能体采样机制，旨在让模型在保持对关键事件感知的同时，减少冗余帧的处理。据谷歌称，该功能在保持任务准确性的前提下，显著提升了处理效率，使得Gemini Flash模型更适合资源受限或对延迟敏感的部署环境。此举可能推动视频AI应用在边缘设备与实时交互场景中的普及，并降低开发者的运营成本。

限制与来源

目前，该功能的具体适用范围、支持的语言与地区、以及定价细节尚未完全公布，以上信息均以谷歌官方文档为准。该功能是否适用于所有Gemini Flash版本，以及实际性能表现，仍需进一步验证。本文信息来源于MarkTechPost的报道，原始链接为：Google Launches Agentic Video Understanding for Gemini Flash Models。