视频理解以前每秒看一帧，现在只挑该看的帧，成本最高降66%

旧办法：每秒一帧，整条视频全看一遍

理解长视频的传统做法是均匀采样。模型以固定帧率解码整条时间线，通常是每秒1帧，把全部视觉数据填进上下文窗口。视频越长，帧越多，上下文越长，费用跟着涨。

新办法：先转录、后挑帧，按需检查时间线

Agentic视频理解不沿用它。取代静态解码的是一个跑在服务器端的工具循环，视频不会提前全部加载。模型按需检查时间线、搜索转录、以自适应帧率抓取特定帧序列。需要时，也可以单独提取音频轨。

核心是 Think → Act → Observe 的迭代。模型先根据问题判断缺什么信息，决定检查哪些模态或时间戳。接着发出内部工具调用，只拉取视频的特定片段。片段作为观察结果返回，模型可以再细化一轮，也可以直接综合出答案。

初始开销很小。API不解码整个文件，只传一个轻量引用。初始上下文里只有元数据：时长、容器格式、文件ID。

对以语音为主的内容，模型先读带时间戳的语音转录，再决定要不要做视觉检查。需要看画面时，通过时间缩放只加载相关时间窗口，比如第14秒到第16秒。帧率也按需调整：快速运动用5到10 FPS，快速浏览用低至0.1 FPS。如果音乐、语气这类声音线索重要，就直接提取音频流。

更少的token，更低的账单，略高的准确率

三个数字能说明变化。相比静态1 FPS处理，agentic模式每个请求最多少用88%的token。长视频分析成本最多降66%，细粒度视觉推理的准确率最多提升7%。

此前大多数token都花在模型并不需要的画面上。标准视频分析基准上，agentic整体优于静态采样。

成本下降的关键在计费方式。视频输入token只按执行期间实际物化的部分计费。这些物化部分包括一个轻量初始引用，加上模型明确检索出的帧切片和音频段。思考token和输出token仍按标准费率。跨多轮会话加载的视频会触发标准隐式缓存，也支持显式缓存实例。

agentic适合什么，静态适合什么

默认建议直接用agentic模式，尤其是想优化响应质量或token效率的时候。

三个场景优先考虑它。第一类是长视频，大约5分钟以上。讲座、网络研讨会、财报电话会议、体育比赛、广播媒体档案都在范围内。第二类是细粒度时间任务，比如精确定位时间戳，或分析每秒1帧会漏掉的快速动作。第三类是语音和画面可以分开处理的查询，主要靠转录搜索回答，再针对性做视觉验证。

短视频不在它的优势范围。产品GIF、UI动画、社交片段这类需要全片帧级精度的短内容，静态模式依然合适。文档没说明的部分：视频长度上限是多少，实时视频流能不能用。

怎么启用、怎么计费

启用就是设一个参数：processing 设为 "agentic"。同一个提示里，每个媒体项可以独立配置处理方式。想比较一段长参考录音和一段短查询片段，把它们放进同一请求就行。也可以直接传公开可访问的YouTube URL，配合agentic模式一起用。支持Gemini 3.8 Flash、3.7 Flash、3.6 Flash和3.5 Flash-Lite。

跨多轮会话加载的视频会触发标准隐式缓存，也支持显式缓存实例。批量场景有额外折扣：agentic视频处理搭配Gemini Batch API，成本是标准价格的一半。