Gemini Agentic Video Understanding уже здесь: режим API, который сокращает стоимость анализа видео на две трети

1 сентября 2026 года Google представил агентное понимание видео для Gemini 3.7 Flash, Gemini 3.6 Flash и Gemini 3.5 Flash-Lite — новый режим в Gemini API, который перестаёт рассматривать видео как стопку кадров и начинает работать с ним как с документом, по которому можно выполнять поиск. Анонс Google DeepMind, написанный старшим менеджером по продукту Роханом Доши и директором по исследованиям Марио Лучичем, стал первым крупным изменением в том, как Gemini считывает видео с тех пор, как у моделей вообще появился такой вход: вместо того чтобы молча обрабатывать фиксированную выборку кадров, модель теперь сама по ходу ответа решает, на что смотреть, с какой скоростью и через какой из трёх каналов — визуальные кадры, аудио или стенограммы. Главный заявленный эффект, целиком основанный на данных производителя и пока не подтверждённый независимыми исследованиями, состоит в том, что анализ видео становится до 66% дешевле, требует до 88% меньше токенов и даёт до 7% более точные ответы, чем пофреймовый базовый подход, который он заменяет.

Что «агентность» на самом деле меняет под капотом

Прежнее поведение — это то, что Google теперь называет «статической» обработкой: вы подаете Gemini видео, и он сэмплирует кадры с фиксированной частотой — по умолчанию один кадр в секунду — прогоняет всю выборку через модель и отвечает на основе того, что захватила эта фиксированная сетка. Здесь есть два структурных слепых пятна. Изменение состояния, которое происходит между двумя сэмплированными кадрами, для модели просто не существует. А двухчасовое видео, сэмплированное с частотой 1 кадр/с, стоит целое состояние в токенах, причем большая их часть тратится на кадры, не имеющие отношения к вопросу.

Агентное видеопонимание заменяет фиксированную сетку на цикл. Модель сочетает способность рассуждать с нативными видеоинструментами, которые позволяют ей динамически решать, что смотреть, с какой скоростью это делать и какую модальность использовать для анализа: визуальные кадры, аудиодорожку или транскрипт. Она вызывает внутренний инструмент, чтобы загрузить только нужные сегменты файла, извлечь моменты и сигналы, необходимые для ответа на вопрос, а затем рассуждает над полученными данными. Google описывает это как тот же архитектурный паттерн, что и в функции агентного зрения, выпущенной ранее: модель — уже не пассивный потребитель медиа, а агент, который обращается к медиа с запросами как к инструменту.

Практическое следствие таково: вопрос «что увидела модель?» перестаёт быть делом удачи при сэмплировании. Вопрос о кадре длиной в долю секунды, едва заметном дефекте или слове, произнесённом на фоне шума, получает ответ, поскольку модель может повторно сканировать то же самое окно с более высоким разрешением и частотой, в модальности, где скрывается ответ.

Числа, названные своими именами.

Собственное бенчмарк-сравнение Google агентной обработки со статической лежит в основе анонса, и к нему стоит относиться как к заявлению вендора, пока его не воспроизведёт независимая сторона. На внутреннем тестовом наборе:

• Стоимость — до 66% ниже затраты на анализ, так как модель загружает только необходимые сегменты, а не всю фиксированную выборку.

• Токены — снижение потребления токенов до 88%, при этом наибольшая экономия достигается на длинных видео: в анонсе особо отмечаются 10-минутные руководства к многочасовым записям.

• Точность — до 7% выше на тех же задачах, поскольку события длительностью менее секунды и происходящие между кадрами становятся видимыми, а не теряются в промежутках дискретизации.

Google позиционирует Gemini 3.7 Flash как находящийся на «парето-границе соотношения точности и стоимости» среди протестированных моделей — проще говоря, это лучший ответ за доллар из трёх. Он также называет четырёх партнёров раннего доступа — Ponder, Revyl, Mosaic и Resemble.AI, — которые работали с этой моделью до её общего выпуска; подобная деталь говорит о реальном производственном использовании, а не о презентационном слайде. Никаких результатов этих партнёров не опубликовано, поэтому обоснованная позиция такова: механизм реален, направление очевидно верное, а конкретные проценты — это данные Google, пока их не проверят независимо.

Варианты использования, для которых была создана функция

В объявлении данная возможность сгруппирована в четыре категории, каждая из которых соответствует конкретной рабочей нагрузке, которую разработчик может развернуть:

• Субсекундный поиск момента — точное определение изменений состояния и границ склеек, длящихся доли секунды, которые сетка с частотой 1 кадр/с полностью упускает. Это сценарий использования для автоматического видеомонтажа: нахождение точного кадра, в котором происходит смена сцены.

• Поиск иголки в стоге сена в длинных видео — ответ на конкретный вопрос о многочасовом видео, не тратя миллионы токенов. Это разница между «посмотреть этот трёхчасовой звонок» и «согласился ли клиент на продление в этом трёхчасовом звонке».

• Обнаружение аномалий — модель повторно сэмплирует интересные временные окна с более высокой частотой кадров, чтобы анализировать быстрые движения и едва заметные визуальные артефакты. Очевидные цели — контроль качества на производстве, спортивный анализ и записи с камер видеонаблюдения.

• Подсчёт действий и объектов — отслеживание повторяющихся физических движений и отдельных объектов во времени, которое статическая выборка занижает, когда подсчитываемый объект движется быстрее частоты выборки.

Какие модели и сколько они стоят

Эта функция доступна на уровне Flash, и разброс цен между тремя моделями важен для выбора, куда её направить:

• Gemini 3.7 Flash — $0.75 за млн токенов на входе и $3.75 за млн на выходе по акционной ставке, подтверждённой до 31 декабря 2026 года, после чего она удваивается до $1.50 / $7.50. Лидер из трёх по соотношению точности и стоимости.

• Gemini 3.6 Flash — $1.50 / $7.50 за миллион токенов. Стабильный, неакционный вариант из этой тройки.

• Gemini 3.5 Flash-Lite — $0.30 / $2.50 за миллион токенов. Бюджетный вариант для высокообъёмной сортировки видео, где главное — самая низкая цена за токен.

Поскольку функция использует стандартные тарифы на токены Gemini API без дополнительной платы, сокращение расхода токенов на 88% напрямую отражается на этих ставках. Рабочая нагрузка, стоившая $100 при статическом анализе, должна обходиться примерно в $12–$34 при агентной обработке на той же модели, ещё до учёта выигрыша в точности, — а это и есть главная новость для тех, чей конвейер сейчас сжигает токены на повторную загрузку или попытку выбрать кадры из длинного видео.

Как это включить?

Режим включается одним конфигурационным флагом — передайте в запросе processing "agentic" — и работает с теми же входными данными и по тем же ценам, что и стандартный API. Никакого отдельного эндпоинта, новых измерений для биллинга или особой квоты. В Python используется interactions API из google-genai SDK, например с моделью "gemini-3.7-flash" и видео вместе с текстовым промптом на входе; видео может быть прямой загрузкой, URI Cloud Storage, публичным HTTP URL или YouTube URL в зависимости от того, какой интерфейс вы вызываете.

Два практических ограничения, о которых стоит знать перед началом разработки: на видеофайлы действуют лимиты размера платформы (для Enterprise Agent Platform — примерно 15 МБ на файл), а Gemini Enterprise Agent Platform поддерживает распространённые контейнерные форматы — MP4, MOV, AVI, WebM, WMV, MPEG, — так что преобразование форматов выполняется до вызова API, а не внутри него.

Где это работает сейчас и куда оно движется

На момент запуска агентное понимание видео доступно для загружаемых видео и роликов YouTube через Gemini API в Google AI Studio, а также через Gemini Enterprise Agent Platform — это поверхности для разработчиков и предприятий. Анонсированы два потребительских релиза, которые пока не запущены: приложение Gemini, где функция постепенно станет доступна всем пользователям на моделях Flash и Flash-Lite в ближайшее время, и функция «Ask YouTube» на странице просмотра видео в YouTube, которая, по словам Google, появится в ближайшие месяцы. Для разработчика, оценивающего эту возможность, API — честное место для тестирования уже сегодня; потребительские поверхности — это дистрибуционный ход, который закрепит этот термин в обиходе.

Есть также сигнал со стороны экосистемы, который стоит отметить: поскольку эта возможность поставляется как стандартный режим API, проекты MCP-серверов и агентных фреймворков, оборачивающие видеопонимание Gemini — фреймворк GenV для аналитики встреч, MCP-пакеты для видеоисследований и видеонавыки Gemini, появившиеся за последние месяцы, — могут принять её без изменения своей архитектуры. Снижение стоимости обеспечивает именно обновление режима, а не новый SDK.

Что проверить, прежде чем доверять процентам

Каждая цифра в анонсе — 66%, 88%, 7%, утверждение о границе Парето — принадлежит самой Google и измерена на её собственном тестовом наборе. Ни одна из них не воспроизведена за пределами компании. Направление не вызывает сомнений: агентный цикл, загружающий только релевантные сегменты, не может не оказаться эффективнее фиксированной сетки, загружающей всё. Размер экономии — открытый вопрос, и он будет зависеть от сценария: двухминутный ролик с одним вопросом не позволит сэкономить 88% токенов, потому что пропускать почти нечего; трёхчасовой звонок с одним целенаправленным вопросом — позволит. Правильный тест — ваше собственное длинное видео: прогнать его один раз через статическую обработку и один раз через агентную, на одной и той же модели, и посчитать реальные токены и реальные доллары.

Экономика такого теста — именно та область, где слой маршрутизации оправдывает своё существование. Gemini 3.6 Flash и Gemini 3.5 Flash-Lite — две из трёх моделей, к которым применяется эта функция, — обслуживаются на OrcaRouter по прейскурантной цене Google с нулевой наценкой, поэтому снижение цены на видеоанализ вступает в силу у нас в тот же день, что и у Google; Gemini 3.7 Flash, третья и самая новая, доступна через собственный API Google и несколько сторонних платформ. А поскольку агентное понимание видео — функция, выпущенная буквально только что, чьи реальные различия в работе ещё не проверены, это классический случай для автоматического переключения на резерв: направьте часть видеотрафика на агентный режим, позвольте маршрутизатору переключаться на проверенную модель при ошибках, превышении лимитов или очевидной деградации качества, и сохраняйте базовый путь активным, пока новый режим не заслужит этот трафик.

Это изменение — больше, чем просто добавление новой функции. Видео было неудобным мультимодальным входом в течение двух лет: чрезвычайно выразительным, чрезвычайно дорогим для анализа и по существу обрабатываемым с потерей данных при сэмплировании. Агентное понимание видео — это первый серьёзный ответ Google сразу на все три проблемы, и оно появляется на самой дешёвой ступени модельного ряда, а не во флагманской модели. Командам, которые избегали видеонагрузок из-за расходов на токены, стоит пересчитать экономику этого режима уже сегодня.