Google DeepMindは2026年9月1日、Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteでエージェント型動画理解(agentic video understanding)の提供を開始しました。Google AI StudioのGemini APIとGemini Enterprise Agent Platformで、アップロードした動画とYouTube動画に対して利用できます。
仕組み
従来の処理では、モデルは動画を固定のフレームレート(既定は1FPS)で取り込んでいました。エージェント型動画理解では、モデルが推論とネイティブの動画ツールを組み合わせ、フレーム・音声・文字起こしのどれを、どの速度で見るかを自ら決めて、必要な場面だけを取得します。開発者が手作業で行っていたこの処理を、内部ツールを呼ぶエージェントループとして実行します。
効果
標準的な動画分析ベンチマークでは、分析コストを最大66%、トークン消費を最大88%削減し、精度を最大7%向上させました。効果は10分のハウツー動画から90分の講義、数時間の録画まで、長尺動画で特に大きいとしています。対応3モデルのうち、Gemini 3.7 Flashが品質とコスト効率の組み合わせで最も優れています。
用途として、1FPSでは見落とす1秒未満の状態変化の検出、数時間の動画からの検索、高いフレームレートで再サンプリングする異常検知、動作や物体のカウントを挙げています。
利用方法と今後
APIの設定でprocessingを"agentic"に指定すると有効になります。料金は通常のGemini APIのトークン課金で、追加の機能料金はありません。Geminiアプリでは近くFlashとFlash-Liteの全ユーザーに展開され、今後数カ月でYouTubeの「Ask YouTube」機能にも使われる予定です。
まだコメントはありません。