谷歌为Gemini API推出Agentic Video Understanding功能，让模型自主决定观看哪段视频及检查方式。传统模式按1 FPS固定抽帧并一次性处理，新模式则沿时间轴智能定位片段，根据问题选择画面、音频或转录文本，面对快速动作还能自动提高帧率复核。

核心数据：Google自测Gemini 3.7 Flash开启该功能后，Token消耗最高降88%，分析成本最高降66%，准确率相对提升约7%。模型能精准定位不到1秒的瞬间，也可在数小时视频中检索细节。

技术原理：将开发者以往需自行搭建的「先定位、再精看」流程内置于Gemini。现支持Gemini 3.7 Flash、3.6 Flash及3.5 Flash-Lite，兼容上传视频与YouTube链接，且不额外收费。未来将接入Gemini App与YouTube的Ask YouTube。