La comprensión de video agéntica en Gemini utiliza un bucle de razonamiento activo para escanear dinámicamente segmentos de video, reduciendo el consumo de tokens hasta en un 88% y mejorando la precisión en contenidos de larga duración.
Qué hace el producto y cómo se presenta oficialmente
La comprensión de video agéntica en Gemini mejora la eficiencia y precisión del análisis de video al alejarse de la ingesta de fotogramas a una tasa fija. El modelo asume un papel activo al determinar qué momentos y señales específicas se requieren para responder a una consulta.
Esta función está integrada en la familia de modelos Gemini Flash y es accesible a través de plataformas para desarrolladores. Está optimizada para contenido de larga duración, como conferencias y grabaciones de varias horas, donde el procesamiento estático tradicional suele generar altos costos de tokens.
Casos de uso respaldados por fuentes oficiales
Identificación de cambios de estado en fracciones de segundo y límites de corte precisos que suelen pasarse por alto con frecuencias de fotogramas estándar.
Detección de anomalías mediante el remuestreo de ventanas de tiempo específicas a una mayor frecuencia de fotogramas para inspeccionar movimientos rápidos.
Recuento preciso de movimientos repetidos o seguimiento de objetos distintos a lo largo de un video.
El proceso documentado, cuando está disponible
El desarrollador establece el parámetro de procesamiento de video como 'agentic' dentro de los ajustes de configuración de la API de Gemini.
El usuario proporciona una fuente de video, como la carga de un archivo o una URL de YouTube, junto con una instrucción en lenguaje natural.
El modelo utiliza una herramienta interna para obtener solo los segmentos relevantes de video, audio o transcripción necesarios para la tarea.
El sistema devuelve la información solicitada, como un resumen, una marca de tiempo específica o un recuento de eventos.
Los modelos tradicionales de análisis de video suelen utilizar un procesamiento estático, donde el video se ingiere a una tasa fija. Este enfoque puede ser ineficiente para videos largos, ya que consume una cantidad masiva de tokens o pierde detalles críticos que ocurren entre los fotogramas muestreados.
La comprensión de video agéntica cambia esto al permitir que el modelo actúe como un agente que decide qué mirar y a qué velocidad. Al invocar herramientas internas para cargar solo los datos necesarios, el modelo puede lograr una mayor precisión con un consumo de recursos significativamente menor.
Comprobaciones con tus propios materiales y flujo de trabajo
Qué fuentes se revisaron y cuándo
Respuestas basadas en el registro de producto con fuentes verificadas
La función está disponible para los modelos Gemini 3.7 Flash, Gemini 3.6 Flash y Gemini 3.5 Flash-Lite.
Reduce los costos hasta en un 66% al obtener solo los segmentos de video necesarios en lugar de procesar toda la transmisión a una tasa fija.
Sí, la función admite tanto cargas directas de video como videos de YouTube a través de la API de Gemini y Google AI Studio.
El modelo puede elegir dinámicamente inspeccionar fotogramas visuales, pistas de audio o transcripciones de video según el objetivo.
No, la función utiliza los precios estándar de tokens de la API de Gemini sin cargos adicionales específicos por la característica.
