Google DeepMind hat das agentive Video-Verständnis in den Modellen Gemini 3.7 Flash, 3.6 Flash und 3.5 Flash-Lite eingeführt, wodurch der Token-Verbrauch um bis zu 88% gesenkt wird, die Kosten um bis zu 66% reduziert und die Genauigkeit um bis zu 7% gesteigert werden. Im Gegensatz zur statischen Verarbeitung bei einer festen Bildraten ermöglicht dieses Feature Gemini, über eine agentive Schleife visuell relevante Frames, Audio und Transkripte dynamisch zu suchen, zu scannen und zu untersuchen.

Benchmarks zeigen, dass die Effizienzsteigerungen besonders bei langen Inhalten ausgeprägt sind — von 10-Minuten-Anleitungen bis zu mehrstündigen Aufnahmen — wo Entwickler zuvor zwischen hohen Token-Kosten und Detailverlust abwägen mussten. Gemini 3.7 Flash mit agentivem Video-Verständnis befindet sich nun an der Pareto-Grenze von Genauigkeit und Kosten für die Videoanalyse.

Zu den Hauptfunktionen gehören: subsekundengenaue Momentenabruf für präzises Schneiden; Suche nach der Nadel im Heuhaufen in mehrstündigen Videos; Anomalieerkennung durch Hoch-FPS-Resampling; sowie genaue Zählung von Aktionen und Objekten. Frühe Zugangspartner berichteten von starken Ergebnissen. Das Feature ist ab heute über die Gemini API in Google AI Studio und der Gemini Enterprise Agent Plattform für Video-Uploads und YouTube-Videos verfügbar.

Wichtige Entitäten: Unternehmen: Google DeepMind, Google AI Studio, Gemini Enterprise Agent Platform | Personen: Mario Lučić

Häufig gestellte Fragen: Wie reduziert das agentive Video-Verständnis den Tokenverbrauch im Vergleich zur statischen Verarbeitung?

Anstatt Video mit einer festen Bildrate einzulesen, ermöglicht das agentive Video-Verständnis Gemini, nur die relevanten Frames, Audio oder Transkriptsegmente dynamisch abzurufen, die zur Beantwortung einer Anfrage benötigt werden, wodurch der Tokenverbrauch bei langen Videos um bis zu 88% reduziert wird.