Gemini ahora puede escanear vídeos enteros por sí mismo: el enfoque de agente ahorra tokens y costes

El modelo elige dónde mirar

Google ha mejorado el procesamiento de vídeo para los modelos Gemini 3.7 Flash, 3.6 Flash y 3.5 Flash-Lite. Está haciendo la transición a un enfoque de agente, donde el modelo recibe una tarea y escanea dinámicamente segmentos de vídeo por sí mismo hasta que encuentra una respuesta. Esto significa que ya no es necesario enviar todo el metraje cortado en fotogramas a la ventana de contexto.

Fin del desperdicio de contexto en escenas estáticas

Para los desarrolladores que construyen sobre análisis de vídeo, esto cambia la economía de todo el proceso. Google afirma que este enfoque dinámico reduce el consumo de tokens hasta en un 88% y los costes reales de API caen hasta en un 66%. Además de ahorrar dinero, esto tiene un impacto positivo en la precisión, ya que el modelo no se ve abrumado por ruido innecesario de pasajes estáticos y se centra sólo en los momentos que llevan información.

La demo puede encontrar llaves, pero ¿qué hay de una hora de imágenes de seguridad?

El escaneo dinámico es ideal para consultas como «cuándo entró en la habitación la persona de la chaqueta roja», donde la densidad de información es baja y la mayor parte del vídeo es relleno. Por el contrario, donde el enfoque de agente podría tener problemas es en el análisis complejo de la acción general o cambios sutiles de comportamiento a lo largo del tiempo, donde el modelo podría no adivinar correctamente qué segmentos omitir y perder contexto.

Las tasas de error de escaneo determinarán los ahorros reales

La métrica clave ahora será con qué frecuencia el modelo, en un esfuerzo por ahorrar tokens, omite un fotograma crucial y devuelve una alucinación en lugar de escanear diligentemente el resto de la pista. Si es necesario recurrir al antiguo enfoque de fuerza bruta para tareas críticas, el ahorro prometido del 66% de los costes se evaporará rápidamente.

El veredicto de Lilith

Esto cambia el vídeo de un contexto caro y lento al nivel de consultas de bases de datos inteligentes, donde el agente sólo paga por lo que realmente lee.