影片一直是大模型推理成本最高的模態之一。過去，Gemini 模型拿到一段 90 分鐘的講座影片時，無論使用者想概括全片，還是隻想找到演講者切換到定價幻燈片的具體時間，模型都會按每秒 1 幀的固定速率把影片整體抽幀讀一遍。音訊則固定按 1Kbps 單聲道處理，每一秒都插入時間戳。這種靜態單遍設計意味著開發者只能在“付出完整時間線的上下文開銷”和“預先切塊但可能漏掉關鍵細節”之間二選一。
谷歌這次為 Flash 模型推出的 agentic 影片理解，把流程倒了過來。模型不再被動吞入整條時間線，而是先根據提示詞進行推理，再借助原生影片工具去搜尋、掃描和檢查相關片段，按需載入目標區間的幀、音訊和轉錄文本。這個迴圈在模型內部自動完成，雖然開發者以前也能用手工串程式碼的方式實現類似效果，但如今無需自己搭建編排邏輯。Google 的評測顯示，在影片分析任務上，Gemini 3.7 Flash 配合 agentic 理解已經落在準確率與成本的帕累託前沿；提升尤其集中在較長時間的內容上，例如 10 分鐘教程或數小時錄影。
部署上，該功能目前並非開源或可自託管。它作為託管 API 能力提供，正式支援 Gemini API、Google AI Studio 和 Gemini Enterprise Agent Platform，可傳入本地檔案或公開 YouTube URL。計費沿用標準 Gemini API token 價格，不額外收取功能費。啟用方法也很簡單：在影片 part 裡把 processing 設為 agentic。同一請求中的不同影片可以分別選擇模式，例如對長講座開 agentic，對短影片片段繼續用 static。值得注意的是，模型“決定看什麼”的導航推理會作為 thought tokens 計費（total_thought_tokens），而按需載入的幀、音訊和轉錄內容則計入 tool-use tokens（total_tool_use_tokens）。
從 API 響應上，agentic 模式會在 steps 陣列中多出兩類步驟：processing_call 表示模型請求某個影片片段或轉錄，processing_result 表示對應內容載入完畢。兩者與思考步驟交錯排列，並出現在 model_output 之前，所以開發者可以拿這些步驟驅動介面裡的即時進度，也能用來確認 agentic 模式確實執行。官方還提醒，static 處理仍是所有 Gemini 模型的預設模式；對短於 5 分鐘的影片或需要逐幀精確檢查的任務，靜態模式仍然更合適。當前支援 Gemini 3.8、3.7、3.6 Flash 以及 3.5 Flash-Lite，只要設定一個 processing 欄位就能切換。實際收益因影片長度和提示詞而異，Google 給出的參考是 Token 最多減少 88%、成本最多下降 66%、標準影片基準準確率最多提高 7%。