Compreensução de Vídeo Agêntica da Gemini Chegou: O Modo de API que Reduz o Custo de Análise de Vídeo em Dois Terços

Em 1º de setembro de 2026, o Google apresentou a compreensão agêntica de vídeo para o Gemini 3.7 Flash, Gemini 3.6 Flash, e Gemini 3.5 Flash-Lite — um novo modo na API Gemini que deixa de tratar um vídeo como uma pilha de frames e passa a tratá-lo como um documento pesquisável. O anúncio do Google DeepMind, escrito pelo gerente sênior de produto Rohan Doshi e pelo diretor de pesquisa Mario Lučić, é a primeira grande mudança na forma como o Gemini lê vídeos desde que os modelos passaram a aceitar esse tipo de entrada: em vez de um modelo processar silenciosamente uma amostra fixa de frames, o modelo agora decide, durante a resposta, o que observar, em que velocidade e por qual dos três canais — frames visuais, áudio ou transcrições. O efeito de destaque, tudo relatado pelo fornecedor e nada ainda reproduzido de forma independente, é que a análise de vídeo fica até 66% mais barata, consome até 88% menos tokens e produz respostas até 7% mais precisas do que a linha de base frame a frame que ela substitui.

O que "agentic" realmente muda por baixo dos panos

O comportamento antigo é o que o Google agora chama de processamento "estático": você fornece um vídeo ao Gemini, e ele amostra quadros a uma taxa fixa — o padrão é um quadro por segundo —, passa toda a amostra pelo modelo e responde com base naquilo que essa grade fixa capturou. Isso tem dois pontos cegos estruturais. Uma mudança de estado que ocorre entre dois quadros amostrados simplesmente não existe para o modelo. E um vídeo de duas horas amostrado a 1 QPS custa uma fortuna em tokens, a maioria deles gasta em imagens que não tinham nada a ver com a pergunta.

O entendimento de vídeo agêntico substitui a grade fixa por um loop. O modelo combina seu raciocínio principal com ferramentas de vídeo nativas, que permitem decidir dinamicamente o que assistir, em que velocidade assistir e por qual modalidade inspecionar — quadros visuais, trilha de áudio ou transcrição. Ele aciona uma ferramenta interna para carregar apenas os segmentos relevantes do arquivo, buscar os momentos e sinais de que a pergunta realmente precisa e então raciocinar sobre o que recuperou. O Google descreve isso como o mesmo padrão arquitetural do recurso de visão agêntica que lançou anteriormente: o modelo não é mais um consumidor passivo de mídia; é um agente que consulta a mídia como se fosse uma ferramenta.

A consequência prática é que "o que o modelo viu?" deixa de ser uma questão de sorte na amostragem. Uma pergunta sobre um corte de fração de segundo, um defeito quase invisível ou uma palavra falada sob ruído de fundo pode ser respondida porque o modelo pode reexaminar a janela exata em maior resolução e taxa, na modalidade onde a resposta está.

Os números, rotulados como aquilo que são

A própria comparação de benchmark da Google entre processamento agêntico e estático é o núcleo do anúncio, e deve ser lida como uma alegação do fornecedor até que uma parte externa a replique. Em seu conjunto de testes interno:

• Custo — custo de análise até 66% menor, pois o modelo carrega apenas os segmentos necessários, em vez de toda a amostra fixa.

• Tokens — consumo de tokens até 88% menor, com as maiores economias em vídeos de formato longo: o anúncio destaca especificamente guias de 10 minutos para gravações de várias horas.

• Precisão — até 7% melhor nas mesmas tarefas, porque eventos de sub-segundo e entre frames tornam-se visíveis em vez de caírem nas lacunas de amostragem.

A Google posiciona o Gemini 3.7 Flash como estando na "fronteira de Pareto entre precisão e custo" dos modelos testados — em termos simples, a melhor resposta por dólar entre os três. Ela também nomeia quatro parceiros de acesso antecipado — Ponder, Revyl, Mosaic e Resemble.AI — que vêm desenvolvendo com base no modo antes da disponibilidade geral, o que é o tipo de detalhe que sugere uso real em produção, e não uma apresentação de slides. Os resultados de nenhum desses parceiros foram publicados, então a postura mais crível é: o mecanismo é real, a direção está obviamente correta, e os percentuais específicos são da Google até que sejam medidos de forma independente.

Os casos de uso para os quais a funcionalidade foi criada.

O anúncio agrupa a capacidade em quatro categorias, cada uma das quais corresponde a uma carga de trabalho concreta que um desenvolvedor pode entregar:

• Recuperação de momentos subsegundo — identificando com precisão mudanças de estado em frações de segundo e limites de corte exatos que uma grade de 1 FPS perde por completo. Este é o caso de uso da edição automatizada de vídeo: encontrar o quadro exato em que ocorre uma mudança de cena.

• Busca de agulha no palheiro em vídeos longos — responder a uma consulta específica sobre um vídeo de várias horas sem consumir milhões de tokens. Essa é a diferença entre “assista a esta chamada de 3 horas” e “o cliente concordou com a renovação nesta chamada de 3 horas?”

• Detecção de anomalias — o modelo reamostra janelas de tempo interessantes em uma taxa de quadros mais alta para inspecionar movimentos rápidos e artefatos visuais sutis. Controle de qualidade na manufatura, análise esportiva e imagens de segurança são os alvos óbvios.

• Contagem de ações e objetos — rastreamento de movimentos físicos repetidos e objetos distintos ao longo do tempo, que a amostragem estática subestima quando o que está sendo contado se move mais rápido que a taxa de amostragem.

Quais modelos e quanto custam

O recurso está disponível no nível Flash, e a diferença de preço entre os três modelos é relevante para escolher onde direcioná-lo:

• Gemini 3.7 Flash — US$ 0,75 de entrada / US$ 3,75 de saída por milhão de tokens na tarifa promocional, confirmada até 31 de dezembro de 2026, após o que dobra para US$ 1,50 / US$ 7,50. O líder em relação precisão-custo entre os três.

• Gemini 3.6 Flash — US$ 1,50 / US$ 7,50 por milhão de tokens. A opção estável e não promocional do trio.

• Gemini 3.5 Flash-Lite — US$ 0,30 / US$ 2,50 por milhão de tokens. A opção econômica, para triagem de vídeo em alto volume, onde o token mais barato é o que importa.

Como o recurso usa o preço padrão de tokens da API Gemini, sem taxa adicional, a redução de 88% no consumo de tokens incide diretamente sobre essas tarifas. Uma carga de trabalho que custaria US$ 100 para ser analisada estaticamente deve custar entre US$ 12 e US$ 34 com processamento agêntico no mesmo modelo, antes de qualquer ganho de precisão — e esse é o ponto principal para quem tem um pipeline que hoje queima tokens ao reenviar ou amostrar quadros de vídeos longos.

Como ligá-lo

O modo é ativado com uma única flag de configuração — basta passar processing "agentic" na solicitação — e funciona com as mesmas entradas e os mesmos preços da API padrão. Sem endpoint separado, sem nova dimensão de cobrança, sem cota especial. Em Python, usa-se a API de interações do SDK google-genai, por exemplo, com o modelo "gemini-3.7-flash" e um vídeo mais um prompt de texto como entrada; o vídeo pode ser um upload direto, um URI do Cloud Storage, uma URL HTTP pública ou uma URL do YouTube, dependendo da superfície que você está chamando.

Duas restrições práticas que vale a pena conhecer antes de você construir: os arquivos de vídeo estão sujeitos aos limites de tamanho da plataforma (no caminho do Enterprise Agent Platform, aproximadamente 15 MB por arquivo), e o Gemini Enterprise Agent Platform suporta os formatos de contêiner comuns — MP4, MOV, AVI, WebM, WMV, MPEG — portanto, o ajuste de formato acontece antes da chamada de API, não dentro dela.

Onde roda agora e para onde está indo

No lançamento, a compreensão de vídeo por agentes está disponível para uploads de vídeo e vídeos do YouTube através da API Gemini no Google AI Studio e através da Gemini Enterprise Agent Platform — esse é o canal para desenvolvedores e empresas. Duas versões para consumidores foram anunciadas, mas ainda não estão no ar: o aplicativo Gemini, onde o recurso será distribuído em breve para todos os usuários nos modelos Flash e Flash-Lite, e o recurso "Ask YouTube" do YouTube na página de exibição de vídeo, que, segundo o Google, chegará nos próximos meses. Para um desenvolvedor que avalia o recurso, a API é o lugar honesto para testá-lo hoje; os canais para consumidores são a jogada de distribuição que vai normalizar a expressão.

Existe também um sinal do ecossistema que vale a pena notar: como o recurso é disponibilizado como um modo de API padrão, os projetos de servidor MCP e de frameworks de agentes que encapsulam a compreensão de vídeo do Gemini — o framework GenV para análise de reuniões, os pacotes MCP de pesquisa de vídeo e as skills de vídeo do Gemini que surgiram nos últimos meses — podem adotá-lo sem alterar sua arquitetura. A atualização do modo, e não um novo SDK, é o que possibilita a redução de custo.

O que verificar antes de confiar nas porcentagens

Cada número no anúncio — os 66%, os 88%, os 7%, a alegação de fronteira de Pareto — é do próprio Google, medido no próprio conjunto de testes do Google, e nada disso foi reproduzido fora da empresa. A direção não está em dúvida: um loop agêntico que carrega apenas segmentos relevantes não tem como não superar uma grade fixa que carrega tudo. A magnitude é a questão em aberto, e ela variará conforme a carga de trabalho — um clipe de 2 minutos com uma única pergunta não verá 88% de economia de tokens, porque não há muito o que pular; uma chamada de 3 horas com uma pergunta direcionada verá. O teste certo é o seu próprio vídeo de formato longo, executado uma vez sob processamento estático e outra sob processamento agêntico, no mesmo modelo, contando tokens reais e dólares reais.

A economia desse teste é exatamente onde uma camada de roteamento mostra seu valor. Gemini 3.6 Flash e Gemini 3.5 Flash-Lite — dois dos três modelos aos quais esse recurso se aplica — são servidos no OrcaRouter pelo preço de tabela do Google, repassado com margem de 0%, portanto, um corte no preço da análise de vídeo entra ao vivo no nosso lado no mesmo dia em que entra no Google; Gemini 3.7 Flash, o terceiro e mais novo, está disponível pela própria API do Google e por várias plataformas terceiras. E como a compreensão de vídeo agêntica é uma capacidade recém-lançada cujas diferenças reais no mundo ainda não foram verificadas, ela é o caso clássico para failover automático: direcione uma fatia do tráfego de vídeo para o modo agêntico, deixe o roteador recorrer a um modelo comprovado em caso de erros, limites de taxa ou regressões óbvias de qualidade, e mantenha o caminho de referência em execução até que o novo modo conquiste o tráfego.

A mudança é mais do que uma adição de recurso. O vídeo tem sido a entrada multimodal incômoda há dois anos — extremamente expressivo, extremamente caro de analisar e efetivamente lido com perda de amostragem. O entendimento de vídeo agêntico é a primeira resposta séria do Google aos três problemas de uma só vez, e chega no nível mais barato de sua linha de modelos, não no principal. Para equipes que vêm evitando cargas de trabalho de vídeo por causa da fatura de tokens, o modo vale a pena refazer as contas hoje.