Gemini może teraz samodzielnie skanować całe filmy: Podejście agentowe oszczędza tokeny i koszty

Model sam wybiera, gdzie patrzeć

Google poprawiło przetwarzanie wideo dla modeli Gemini 3.7 Flash, 3.6 Flash i 3.5 Flash-Lite. Przechodzi na podejście agentowe, w którym model otrzymuje zadanie i samodzielnie dynamicznie skanuje segmenty wideo, dopóki nie znajdzie odpowiedzi. Dzięki temu do okna kontekstowego nie trzeba wysyłać całego nagrania pociętego na klatki.

Koniec marnowania kontekstu na statyczne sceny

Dla programistów budujących na bazie analizy wideo zmienia to ekonomikę całego procesu. Google twierdzi, że to dynamiczne podejście zmniejsza zużycie tokenów nawet o 88%, a realne koszty API spadają nawet o 66%. Oprócz oszczędności pieniędzy ma to pozytywny wpływ na dokładność, ponieważ model nie jest przytłaczany niepotrzebnym szumem ze statycznych fragmentów i skupia się tylko na momentach niosących informację.

Demo potrafi znaleźć klucze, ale co z godzinnym nagraniem z kamery?

Dynamiczne skanowanie jest idealne dla zapytań typu „kiedy do pokoju weszła osoba w czerwonej kurtce”, gdzie gęstość informacji jest niska, a większość wideo to wata. Z kolei tam, gdzie podejście agentowe może napotkać trudności, to kompleksowa analiza ogólnego przebiegu akcji lub subtelne zmiany zachowania w czasie, gdzie model może błędnie ocenić, które segmenty pominąć, i straci kontekst.

Odsetek błędów skanowania zdecyduje o realnych oszczędnościach

Kluczową metryką będzie teraz to, jak często model w dążeniu do zaoszczędzenia tokenów pominie kluczową klatkę i zwróci halucynację zamiast rzetelnie przeskanować resztę ścieżki. Jeśli w krytycznych zadaniach konieczny będzie powrót do starego podejścia brute-force, obiecane 66% oszczędności kosztów szybko wyparuje.

Werdykt Lilith

Przenosi to wideo z drogiego i powolnego kontekstu na poziom inteligentnego zapytywania bazy danych, w którym agent płaci tylko za to, co faktycznie przeczyta.