视频一直是大模型推理成本最高的模态之一。过去，Gemini 模型拿到一段 90 分钟的讲座视频时，无论用户想概括全片，还是只想找到演讲者切换到定价幻灯片的具体时间，模型都会按每秒 1 帧的固定速率把视频整体抽帧读一遍。音频则固定按 1Kbps 单声道处理，每一秒都插入时间戳。这种静态单遍设计意味着开发者只能在“付出完整时间线的上下文开销”和“预先切块但可能漏掉关键细节”之间二选一。
谷歌这次为 Flash 模型推出的 agentic 视频理解，把流程倒了过来。模型不再被动吞入整条时间线，而是先根据提示词进行推理，再借助原生视频工具去搜索、扫描和检查相关片段，按需加载目标区间的帧、音频和转录文本。这个循环在模型内部自动完成，虽然开发者以前也能用手工串代码的方式实现类似效果，但如今无需自己搭建编排逻辑。Google 的评测显示，在视频分析任务上，Gemini 3.7 Flash 配合 agentic 理解已经落在准确率与成本的帕累托前沿；提升尤其集中在较长时间的内容上，例如 10 分钟教程或数小时录像。
部署上，该功能目前并非开源或可自托管。它作为托管 API 能力提供，正式支持 Gemini API、Google AI Studio 和 Gemini Enterprise Agent Platform，可传入本地文件或公开 YouTube URL。计费沿用标准 Gemini API token 价格，不额外收取功能费。启用方法也很简单：在视频 part 里把 processing 设为 agentic。同一请求中的不同视频可以分别选择模式，例如对长讲座开 agentic，对短视频片段继续用 static。值得注意的是，模型“决定看什么”的导航推理会作为 thought tokens 计费（total_thought_tokens），而按需加载的帧、音频和转录内容则计入 tool-use tokens（total_tool_use_tokens）。
从 API 响应上，agentic 模式会在 steps 数组中多出两类步骤：processing_call 表示模型请求某个视频片段或转录，processing_result 表示对应内容加载完毕。两者与思考步骤交错排列，并出现在 model_output 之前，所以开发者可以拿这些步骤驱动界面里的实时进度，也能用来确认 agentic 模式确实执行。官方还提醒，static 处理仍是所有 Gemini 模型的默认模式；对短于 5 分钟的视频或需要逐帧精确检查的任务，静态模式仍然更合适。当前支持 Gemini 3.8、3.7、3.6 Flash 以及 3.5 Flash-Lite，只要设置一个 processing 字段就能切换。实际收益因视频长度和提示词而异，Google 给出的参考是 Token 最多减少 88%、成本最多下降 66%、标准视频基准准确率最多提高 7%。