Google добавя агентно разбиране на видео към моделите Gemini Flash
Google представи агентно разбиране на видео за моделите Gemini Flash. Вместо да обработва цялото видео с фиксирана честота от един кадър в секунда, Gemini може сам да избира кои сегменти да прегледа, с каква честота и чрез кои източници — кадри, аудио или транскрипции. Така се зарежда само съдържанието, необходимо за конкретната заявка.
Компанията съобщава за до 88% по-малко токени, до 66% по-ниска цена и до 7% по-висока точност при стандартни тестове за видео. Ползите са най-значими при дълги материали, като обучителни видеа и записи с продължителност няколко часа. Статичната обработка остава стандартна и според описанието е по-подходяща за клипове под пет минути и задачи, изискващи прецизност кадър по кадър.
Функцията се предлага само като хоствана API услуга чрез Google AI Studio и Gemini Enterprise Agent Platform. Поддържат се качени файлове и публични URL адреси от YouTube; няма отворени тегла или възможност за самостоятелно хостване. Прилага се стандартното ценообразуване на Gemini API без допълнителна такса. Режимът се включва чрез едно поле и е достъпен за Gemini 3.8, 3.7, 3.6 Flash и 3.5 Flash-Lite. Отговорите показват заявките и резултатите от обработката, а разсъжденията и заредените медийни данни се отчитат отделно.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.