Gemini Agentic Video：不再按固定 FPS“看完整段视频”，Token 最多降 88% 的关键是主动找片段

Google 在 2026 年 9 月 1 日发布 Gemini Agentic Video Understanding。它不是一个新的独立“视频模型”，而是一种新的 video processing mode：传统 Static Processing 默认按固定 1 FPS 抽帧；Agentic Processing 则让模型根据用户问题主动搜索时间线、决定看哪些片段、用什么 FPS，以及优先读取 Frames、Audio 还是 Transcript。Google 发布说明

这项变化真正解决的是长视频的成本与细节矛盾。过去要么高频抽帧，把数十分钟甚至数小时视频全部塞进上下文，Token 很快膨胀；要么降低 FPS，又容易错过一闪而过的动作。Agentic Video 的思路更像人看监控录像：先粗略找范围，再回到关键几秒仔细看。

Static 是“按固定 FPS 全程看”，Agentic 是“先找再看”

Google 的 launch 文章把两种流程区别写得很清楚。Static Processing 会以固定帧率读取视频，默认 1 FPS，可以通过 API 调整；Agentic Video 则调用内部视频工具，根据问题动态 Search、Scan、Inspect 目标片段，并跨视觉帧、音频和 transcript 选择必要信号。Google 发布说明

例如用户问“演讲里什么时候第一次宣布产品价格”，模型没有必要对 90 分钟视频每秒都保持高分辨率分析。它可以先从 transcript 或低成本浏览中定位候选时间，再读取那几段画面确认具体字幕和视觉信息。

Gemini API 当前开发者文档还给出了可观察的执行痕迹：Agentic Processing 会在 interaction.steps 中出现 processing_call 和 processing_result，表示模型正在请求某段视频或音频 transcript。对于需要解释 Agent 执行过程的应用，这比只得到最终答案更容易做进度展示和调试。

Token 最多 -88%、成本最多 -66%、准确率最高 +7%，三个都是“Up to”

Google 报告，在标准 video-analysis benchmarks 上，Agentic Video Understanding 可以把 token consumption 最多降低 88%、analysis cost 最多降低 66%，同时 accuracy 最高提升 7%。Google 发布说明

这里最不能丢的是 up to。这不是“任何视频都固定节省 88% Token”，更不是模型参数本身突然节省 88%。效率来自只取与问题相关的时刻和模态。对一个 10 秒短片、需要逐帧检查全片的任务，Agentic 模式未必比 Static 更合适；Google 当前开发者文档甚至明确建议，短于 5 分钟且延迟敏感、或者需要整个视频 frame-level precision 的场景可以继续用 Static。Gemini API 文档

反过来，长视频或只查某个具体时刻的问题更适合 Agentic，因为模型不必把整段媒体全部填进 context window。

动态 FPS 让模型可以回到“那几秒”重新看

固定 1 FPS 最大的问题，是很多快动作会直接落在两个采样点之间。Google 给出的能力案例包括 sub-second moment retrieval、anomaly detection、counting actions / objects，以及 long-form needle-in-a-haystack search。Google 发布说明

Agentic Loop 在找到可疑时间窗口后，可以提高 FPS 重新采样那一小段。例如检测高速动作、画面异常或精确计数时，模型不需要从头到尾都按高 FPS 付出 Token，而是只在真正需要的几秒提高观察密度。

这其实把视频理解从“预先决定采样率”变成了“模型在执行过程中决定采样率”。对开发者而言，过去需要自己写一套粗扫、切片、二次取帧的逻辑，现在更多调度由 Gemini 内部 Agentic Loop 完成。

9 月 1 日首发支持 3.7 / 3.6 / 3.5，当前文档已经把 3.8 Flash 加进来

9 月 1 日的发布页写的是 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 首批支持，并可通过 Google AI Studio 的 Gemini API 与 Gemini Enterprise Agent Platform 使用。Google 发布说明

到本文复核时，Gemini API 开发者文档已经更新为 3.8 Flash、3.7 Flash、3.6 Flash、3.5 Flash Lite 均支持 Agentic Video Understanding，并且代码示例已经直接使用 gemini-3.8-flash。

启用方式仍很简单：对具体 video input 设置 processing: "agentic"。Google 表示它沿用标准 Gemini API token pricing，不额外收 feature fee。

这里也能看出为什么把它理解成“processing mode”比“新模型”更准确：随着新的 Flash 版本上线，这种 Agentic Video 能力可以被继续接到新的模型上。

Multi-turn 还有一个容易忽略的状态问题

当前 Gemini API 文档说明，视频上下文可以跨多轮保留。在 stateful 模式里，服务端通过 previous_interaction_id 保持上下文；在 stateless 模式里，开发者需要把之前返回的 processing_call / processing_result 等 steps 带到下一轮，否则视频上下文会丢失，跟进问题质量会明显下降。

这意味着 Agentic Video 不只是“少 Token 的视频问答接口”，它已经带有明显的 Agent runtime 特征：模型会调用内部 processing tool、返回执行 step，并依赖状态管理支持后续追问。

更大的变化，是视频也开始进入 Agentic Processing

Agentic Video 的价值并不只是一个 88% 的数字。更重要的是，模型开始对“如何读取输入”拥有执行权：不是把所有素材先静态预处理完，再让模型回答，而是让模型根据任务主动决定下一步应该读取什么证据。

这与 Agent 在网页、终端和文件系统中的工作方式越来越相似：先理解目标 → 找相关区域 → 调工具取证 → 必要时重新检查 → 再回答。 对长会议、课程、监控、体育动作、内容剪辑和视频知识库，这种模式可能比单纯扩大上下文窗口更有效。

但目前能确认的仍然是 Google 官方 benchmark 与产品文档，本站没有对 88% / 66% / 7% 做独立复测。真正进入生产环境后，仍需要按自己的视频长度、问题类型、响应延迟和 follow-up 方式，对 Static 与 Agentic 做 A/B。