谷歌于今日宣布，在最新发布的Gemini 3.7 Flash、3.6 Flash和3.5 Flash-Lite模型中，正式推出智能体视频理解（agentic video understanding）功能。该功能旨在优化视频分析流程，通过动态筛选关键信息，显著提升模型在视频理解任务中的表现，同时大幅削减资源消耗。

与传统的静态处理方式不同——即模型按固定帧率（默认1 FPS，可调）读取视频流——智能体视频理解将核心推理能力与原生视频工具结合，使模型能够主动在视觉帧、音频轨道和转录文本中搜索、扫描并检查目标片段。这种按需取用的模式，避免了处理冗余帧带来的开销。

根据谷歌公布的基准测试数据，在标准视频分析任务中，启用该功能的Gemini模型可将分析成本降低最高66%，Token消耗量减少最高88%，同时准确率提升最高7%。效率增益在长视频场景中尤为突出，因为静态处理常迫使开发者在高额Token成本与细节丢失之间权衡。

谷歌特别指出，Gemini 3.7 Flash配合智能体视频理解，在整体质量与成本效率之间实现了最佳平衡，位于准确率与成本的帕累托最优前沿。该功能采用标准Gemini API Token定价，不收取额外功能费用，降低了开发者的采用门槛。