88%——谷歌刚刚给 Gemini 加了一个处理视频的新开关，号称最多能砍掉 88% 的 token 消耗、66% 的分析成本，精度还反升 7%。但第三方只测了 6 条视频，就发现事情没那么简单：在「地毯式找全画面」的任务上，静态处理反而比它便宜 26%。
这场「让 AI 自己决定看什么」的升级，9 月 1 日由 Google DeepMind 通过 Gemini API 上线，覆盖 Gemini 3.7 Flash、3.6 Flash 与 3.5 Flash-Lite 三个模型，官方文档现在也已把最新发布的 3.8 Flash 列入支持名单。它不是新模型，而是一个处理视频的全新工作方式——把「机器怎么读视频」从固定采样，改成了带目标的主动检索。
一、旧方式有多笨：每秒 1 帧全塞进上下文
要理解这次改了什么，先看 Gemini 原本怎么处理视频：静态模式（static processing）下，模型按固定帧率采样，默认每秒 1 帧，把采样画面连同音频一股脑放进上下文。
代价是惊人的。按谷歌自己的估算，低分辨率视频约每秒消耗 100 token，高分辨率约每秒 300 token。一小时讲座用静态模式处理，大约要烧掉 108 万个 token——这还没算反复提问、反复重看整段视频的叠加成本。开发者面对长视频只剩两个选择：要么付高昂的 token 费，要么用丢帧、跳段等取巧手段，结果漏掉关键细节。
二、新方式：AI 自己决定「看哪里、看多细」
Agentic（智能体式）视频理解改变的是这个逻辑：模型不再被动吞下每一帧，而是像一个有目的的研究员——先读字幕/音轨建立全局认知，再按需调用工具去加载视频的特定片段，用不同帧率反复检查可疑瞬间，甚至倒回去重看。
官方给出的几个核心能力都建立在「选择性观看」之上：
- 亚秒级时刻检索：1 FPS 采样容易漏掉的瞬间状态变化、剪辑边界，现在能精准定位，可支撑自动化视频剪辑；
- 大海捞针式长视频搜索：回答跨数小时视频的复杂问题，不再需要烧几百万 token；
- 异常检测：对感兴趣的时间窗用更高帧率重采样，捕捉快速动作与细微画面瑕疵；
- 动作/物体计数：以不同帧率扫描回看，准确跟踪重复动作与分散目标。
开发者只需在 API 配置里把 processing 设为 "agentic"，即可启用；走标准 Gemini token 定价，不额外收取功能费。这也是继 agentic vision（让 Gemini 3 Flash「看懂图」）之后，谷歌把「模型自己决定看什么」这套范式从图像延伸到视频。
三、官方数字 vs 第三方实测：反差来了
谷歌官方基准测试口径：token 消耗最高降 88%、分析成本最高降 66%、精度最高提升 7%——注意是「最高」，不代表每条视频都这样。真正的亮点在长视频：从 10 分钟教程到 90 分钟讲座、数小时录像，agentic 模式的收益最明显。
但 9 月 3 日，PaperEdits 团队用同一款 Gemini 3.7 Flash 模型做了组独立对照实验（6 条合成 10 分钟视频，先冻结 prompt 与评分标准再测，无重试无修复）：
结果喜忧参半。 Agentic 模式找回 20 个短暂事件中的 18 个（静态只找回 15 个），剪辑决策的宏观 F1 达 0.68 vs 静态 0.55——定向找东西确实更强。但在「广泛时刻检索」上静态反而更高（F1 0.30 vs 0.27），且静态模式少用 26.42% 的 token、成本低 23.01%；6 次 agentic 输出里还有 1 次没跑出要求的 JSON 格式。
换句话说：谷歌的「省 88%」是挑选过的最大收益场景（长视频 + 精确提问），换成「我要把整段视频从头到尾看明白」的宽覆盖任务，agentic 的导航开销反而可能让它更贵。谷歌自己也承认：agentic 模式对短于 5 分钟的视频可能增加首 token 延迟，文档明确建议——短片段、延迟敏感、需要逐帧全覆盖的任务，仍用静态处理。
四、为什么说这是「视频理解的 token 战争」
把视角拉远，这一招的战略意图很清楚。
对开发者：视频 API 的算账逻辑被改写了。过去处理视频 = 按秒数烧 token，长视频几乎不可用；现在长视频成本可能降一个数量级。谷歌给了个对比：一小时讲座静态约 108 万 token，agentic 可能只要约 10.8 万——接近 90% 的差距。这对视频审核、媒体归档、会议纪要、课程内容理解等长视频场景是实打实的降本。
对行业：这是谷歌在「AI 读懂物理世界」上的关键落子。视频是仅次于文本的第二大 token 消耗场景，谁先让视频分析便宜一个量级，谁就抢到下一波多模态应用的地板。别忘了 OpenAI 刚在 9 月 3 日发布 GPT-6 Astra——号称 1.05M 上下文、主打 computer-use 多模态，两家在同一条赛道贴身肉搏。而 Gemini 3.8 Flash（9 月 2 日发布，DeepSWE v1.1 拿下 73.7% 逼近 Claude Opus 5）也已支持这一模式，谷歌的「Flash 家族」正在用高频迭代+低价多模态打组合拳。
对普通用户：谷歌预告该能力将陆续进入 Gemini App，未来数月还会接入 YouTube 的「Ask YouTube」功能——以后对着几小时视频直接提问，底层用的就是这套「选择性观看」技术。AI 读视频这件事，正在从「按秒计费的重活」变成「按问题计费的轻活」。
五、判断
Agentic 视频理解不是营销噱头：它把「AI 看视频」从固定成本变成了按需成本，方向是对的——让模型像人一样「带着问题去看」，而不是「先把整段背下来」。但要泼一盆冷水：官方 88% 的省 token 宣传是最大场景口径，真实收益高度依赖任务类型；想无脑省钱、逐帧全覆盖的开发者，现阶段反而可能多花钱。
给开发者的实操建议：长视频 + 精确检索（找某个瞬间、数某个动作、查某段内容）→ 开 agentic；短视频 + 延迟敏感 + 全画面覆盖 → 老老实实静态。两个模式共存于同一个 API，按任务切换即可。
谷歌这一手，把「视频理解的 token 成本战」正式打响了。对做视频类 AI 应用的团队，现在正是重新算账的时候。
关注 AI商业快讯，每天一篇 AI 热点深度解读。
相关阅读：
