‏جمینای حالا ویدیو رو ایجنتیک می‌فهمه

گوگل قابلیتی به اسم agentic video understanding (یعنی مدل خودش تصمیم می‌گیره کدوم تیکه از ویدیو رو ببینه) رو روی Gemini 3.7 Flash، 3.6 Flash و 3.5 Flash-Lite راه انداخته. تو اعلام رسمی گوگل اومده که این قابلیت هزینهٔ تحلیل ویدیو رو تا ۶۶ درصد و مصرف توکن رو تا ۸۸ درصد کم می‌کنه و در عین حال دقت رو تا ۷ درصد بالا می‌بره. برای آپلود ویدیو و ویدیوهای یوتیوب از طریق Gemini API تو Google AI Studio و Gemini Enterprise Agent Platform در دسترسه.

روش قبلی استاتیک بود: مدل کل ویدیو رو با نرخ فریم ثابت (پیش‌فرض ۱ فریم در ثانیه) می‌خوند. حالا مدل تو یه حلقهٔ ایجنتیک یه ابزار داخلی رو صدا می‌زنه و فقط همون بخشی از فایل رو لود می‌کنه که لازم داره، و خودش انتخاب می‌کنه چی رو، با چه سرعتی و از کدوم کانال (فریم، صدا یا رونوشت) ببینه. قبلاً هم توسعه‌دهنده می‌تونست این کارو دستی انجام بده، ولی حالا مدل خودش انجامش می‌ده.

بیشترین سود این روش رو ویدیوهای بلند می‌برن، از آموزش‌های ده‌دقیقه‌ای تا سخنرانی‌های ۹۰ دقیقه‌ای و ضبط‌های چندساعته، چون تو روش استاتیک یا باید هزینهٔ توکن بالا رو قبول کنی یا با کم کردن فریم‌ها جزئیات مهم رو از دست بدی. کاربردهایی که گوگل اسم برده: پیدا کردن لحظه‌های زیر یک ثانیه برای تدوین خودکار، جست‌وجو تو ویدیوهای چندساعته، تشخیص ناهنجاری با نمونه‌برداری دوباره با FPS بالاتر و شمارش دقیق حرکت‌ها و اشیا.

فعال کردنش فقط یه فیلده: تو کانفیگ API مقدار processing رو روی agentic بذار. قیمت‌گذاریش هم همون توکن استاندارد Gemini API ـه و هزینهٔ اضافهٔ جدا نداره.

interaction = client.interactions.create(
    model="gemini-3.7-flash",
    input=[
        {"type": "video", "uri": "https://youtu.be/7Z5Vy9JBANs", "processing": "agentic"},
        {"type": "text", "text": "What are the 3 most important announcements in this keynote?"},
    ],
)

گوگل می‌گه این قابلیت به‌زودی برای همهٔ کاربرهای اپ Gemini روی مدل‌های Flash و Flash-Lite هم میاد و تو ماه‌های آینده قراره پشت قابلیت Ask YouTube تو صفحهٔ تماشای ویدیو بشینه تا جواب‌ها به تصویر واقعی ویدیو تکیه کنن.

نکات کلیدی:

• روی Gemini 3.7 Flash، 3.6 Flash و 3.5 Flash-Lite فعاله
• تا ۸۸ درصد کاهش مصرف توکن، تا ۶۶ درصد کاهش هزینه و تا ۷ درصد دقت بیشتر
• به‌جای نرخ ثابت ۱ فریم در ثانیه، مدل خودش بخش و نرخ و کانال رو انتخاب می‌کنه
• فعال‌سازی فقط با گذاشتن مقدار agentic روی فیلد processing تو کانفیگ API
• بدون هزینهٔ اضافی؛ همون قیمت توکن استاندارد Gemini API