Gemini kann jetzt selbst ganze Videos scannen: Agentischer Ansatz spart Tokens und Kosten

Das Modell wählt, wo es hinschaut

Google hat die Videoverarbeitung für die Modelle Gemini 3.7 Flash, 3.6 Flash und 3.5 Flash-Lite verbessert. Es wird auf einen agentischen Ansatz umgestellt, bei dem das Modell eine Aufgabe erhält und Videosegmente dynamisch selbst scannt, bis es eine Antwort findet. Dies bedeutet, dass nicht mehr das gesamte Filmmaterial in Frames zerlegt an das Kontextfenster gesendet werden muss.

Ein Ende der Verschwendung von Kontext für statische Szenen

Für Entwickler, die auf Videoanalyse aufbauen, verändert dies die Wirtschaftlichkeit des gesamten Prozesses. Google gibt an, dass dieser dynamische Ansatz den Token-Verbrauch um bis zu 88 % senkt und die realen API-Kosten um bis zu 66 % sinken. Neben der Kostenersparnis wirkt sich dies positiv auf die Genauigkeit aus, da das Modell nicht mit unnötigem Rauschen aus statischen Passagen überflutet wird und sich nur auf die informationstragenden Momente konzentriert.

Die Demo kann Schlüssel finden, aber was ist mit einer Stunde Überwachungsvideo?

Der dynamische Scan ist ideal für Abfragen wie „Wann betrat die Person in der roten Jacke den Raum“, bei denen die Informationsdichte gering ist und der größte Teil des Videos aus Füllmaterial besteht. Wo der agentische Ansatz hingegen an seine Grenzen stoßen könnte, sind komplexe Analysen der Gesamthandlung oder subtile Verhaltensänderungen im Laufe der Zeit, bei denen das Modell möglicherweise nicht richtig einschätzt, welche Segmente übersprungen werden können, und den Kontext verliert.

Scan-Fehlerraten bestimmen die tatsächlichen Einsparungen

Die wichtigste Kennzahl wird nun sein, wie oft das Modell in dem Bemühen, Token zu sparen, einen entscheidenden Frame überspringt und eine Halluzination zurückgibt, anstatt den Rest des Tracks sorgfältig zu scannen. Wenn es bei kritischen Aufgaben notwendig ist, auf den alten Brute-Force-Ansatz zurückzugreifen, werden die versprochenen 66 % Kosteneinsparungen schnell verpuffen.

Liliths Urteil

Dadurch verlagert sich Video von einem teuren und langsamen Kontext auf die Ebene intelligenter Datenbankabfragen, bei denen der Agent nur für das bezahlt, was er tatsächlich liest.