Gemini смотрит видео выборочно: на разбор часа уходит на 88% меньше токенов

1 сентября Google включил в Gemini агентный разбор видео. Модель сама решает, какие отрезки смотреть и что из них читать: кадры, звук или расшифровку. Google обещает до 88% меньше токенов и до 66% дешевле сам разбор. Цены на токены прежние.

Раньше и теперь. Раньше модель резала ролик на кадры с фиксированной частотой и читала всё подряд. В низком разрешении это около 100 токенов на секунду записи, в высоком — около 300. Теперь модель ходит по видео сама и подтягивает только те куски, которые нужны для ответа.

Включается одним полем. В видео-части запроса Interactions API появляется `processing` со значением `agentic`. Работает на четырёх Flash-моделях, от 3.5 Flash Lite до вышедшей 2 сентября 3.8 Flash. Вызвать можно из Python, JavaScript, Java и по REST.

Агентный режим не принимает кастомный fps и обрезку интервала. Нужна покадровая точность или конкретный кусок записи — остаётся прежний режим `static`.

Точность в замерах Google не просела: на LVBench она выросла с 85,1% до 88,6%. Обещанные «до 7%» — это тест Minerva, где 73,7% стали 79,0%, то есть прирост относительный, а не семь пунктов.

Сторонняя проверка пока одна. Инженер Ponder Ибрахим Сайед насчитал примерно в 3,5 раза меньше входных токенов, около 71% экономии. Почему экономия токенов в 88% превращается в 66% денег, Google не объясняет: таблиц затрат и методики в анонсе нет.

С 1 января 2027 цены на 3.8 Flash удваиваются до $1,50 и $7,50 за миллион токенов — тогда и будет видно, сколько экономии останется.