Google
ВидеоGoogle GeminiGemini Flashагентный ИИвидеоанализтокены

Gemini научился смотреть видео по-умному: до минус 88% токенов

Сергей Сергеев, редактор gen-hub.ru
Сергей Сергеев
Редактор gen-hub.ru
·4 мин чтения
Gemini научился смотреть видео по-умному: до минус 88% токенов

Представьте, что вы наняли аналитика, который вместо просмотра трехчасовой записи совещания с начала до конца сразу перематывает к нужным моментам, слушает только ключевые фрагменты и выдает выжимку. Именно так теперь работает Gemini с видео - и это не метафора, а буквальное описание архитектурного решения, которое Google представила 1-2 сентября 2026 года.

Что изменилось и почему это важно

До сих пор Gemini обрабатывал видео статически: один кадр в секунду по умолчанию, последовательно, от первого до последнего. Разработчики могли менять частоту через API, но сама логика оставалась линейной - модель "смотрела" все подряд, не задумываясь о том, нужен ли ей этот конкретный момент. Для десятиминутного ролика это терпимо. Для девяностоминутной лекции или многочасовой записи с камеры наблюдения - катастрофа с точки зрения стоимости.

Теперь Gemini 3.7 Flash, 3.6 Flash и 3.5 Flash-Lite получили режим агентного понимания видео. Модель сама определяет, какие отрезки заслуживают внимания, с какой скоростью их просматривать и через какую модальность - визуальные кадры, аудиодорожка или транскрипт. Это не просто оптимизация промпта, а принципиально иная архитектура взаимодействия модели с видеоконтентом.

Цифры, которые трудно игнорировать

Google приводит конкретные показатели по стандартным бенчмаркам видеопонимания. На 1H-VideoQA и LVBench потребление токенов падает до 88%, стоимость обработки снижается до 66%, а точность при этом вырастает до 7%. На LongVideoBench Gemini 3.7 Flash с агентным режимом занимает первое место по соотношению качества и стоимости.

Это цифры из официального блога Google DeepMind - сторонние публикации их пересказывают, но самостоятельной верификации бенчмарков не проводили. До 88% экономии токенов - это не "до 10% при идеальных условиях", это реальный порядок величин на длинных видео.

Для разработчиков, которые сейчас платят за обработку часовых записей, это буквально меняет экономику продукта. Задачи, которые раньше были нерентабельными - автоматический анализ архивов видеонаблюдения, индексация обучающих курсов, поиск по многочасовым стримам - внезапно становятся вполне разумными по бюджету.

Как это работает технически

Агентный режим строится на концепции "agentic vision", которую Google впервые представила для Gemini 3 Flash в январе 2026 года. Тогда модель научилась писать и выполнять Python-код для работы с изображениями - зумировать, кадрировать, аннотировать - в цикле "думать-действовать-наблюдать". Теперь та же логика распространяется на видео.

Практически это выглядит так: модель через внутренний инструмент загружает только релевантные фрагменты видеофайла, а не весь поток целиком. Вместо фиксированной частоты кадров - динамический цикл, в котором Gemini сам запрашивает нужные кадры, аудио или транскрипт из нужных временных отрезков.

Особо выделю несколько новых возможностей, которые стали практически реализуемыми:

- Субсекундный поиск момента: модель находит события короче одной секунды - смену состояния, монтажный стык, мгновенный жест. При фиксированном 1 FPS такие события просто пропадали. - Переменная частота дискретизации: подозрительный временной отрезок модель автоматически пересканирует с повышенной детализацией. - Точный счетчик: корректный подсчет повторяющихся движений и объектов на протяжении длинного видео - задача, которая раньше ломалась на длинных роликах.

Доступность и стоимость

Функция уже работает через Gemini API в Google AI Studio и на Gemini Enterprise Agent Platform - для загружаемых видеофайлов и YouTube-ссылок. Активируется одним параметром в конфиге API: режим обработки переключается на `"agentic"`. Дополнительной платы нет - тарификация идет по стандартным токенным ценам, которые, впрочем, теперь расходуются кратно эффективнее.

Интеграция в потребительское приложение Gemini и YouTube пока не запущена - запланирована на более поздний срок. Для российских разработчиков ситуация стандартная: Gemini API технически доступен через VPN, оплата требует нероссийской карты или Google Cloud billing через посредника.

Контекст

Gemini 3.7 Flash позиционируется не как топовая модель для сложных рассуждений (это зона Gemini Ultra), а как рабочая лошадка для высоконагруженных пайплайнов. Агентный видеоанализ органично ложится именно в эту нишу: дешевая, быстрая, точная обработка больших объемов видеоконтента.

Меня в этом релизе больше всего впечатляет не сама экономия токенов, а то, что модель теперь принимает эпистемические решения о видео - она не просто обрабатывает поток, а выбирает, что именно смотреть. Это качественный сдвиг в том, как языковые модели взаимодействуют с временными медиа. И судя по тому, что Google планирует интеграцию в YouTube, это только начало.

Информация основана на официальном блоге Google DeepMind.

Источники

Все эти инструменты - уже на Genova-ai

Картинки, видео, музыка, голос и ИИ-чат в одном месте. Без VPN и зарубежных карт.

Картинки
Видео
Музыка
Голос
ИИ-чат
Попробовать бесплатно

Похожие новости