Google je Geminiju dao alat koji sam bira šta da gleda u snimku, uz do 88 odsto manje tokena

Do 1. septembra 2026. snimak je u Gemini model ulazio po nepromjenljivom broju kadrova u sekundi, podrazumijevano jedan kadar u sekundi, uz mogućnost izmjene kroz API. Svaka sekunda dvočasovnog snimka plaćala se tokenima, bez obzira na to da li se u njoj nešto dogodilo. Agentsko razumijevanje videa to zamjenjuje petljom: model kroz unutrašnji alat učitava dio datoteke koji mu treba, za taj dio bira broj kadrova u sekundi i odlučuje hoće li gledati kadrove, slušati zvuk ili čitati transkripciju.

Šta se mijenja u odnosu na uzorkovanje s nepromjenljivim brojem kadrova

Dosadašnja obrada uzima cio snimak po istom broju kadrova u sekundi, pa programer bira između velikog računa za tokene i prečice u uzorkovanju koja preskoči baš onaj trenutak koji je bio važan. Google navodi da agentska obrada taj izbor uklanja, jer model sam pretražuje, pregleda i ispituje ciljane dijelove snimka. U objavi se dodaje i da je programer to i ranije mogao da uradi ručno; novo je to što petlju vodi model, pa oko nje nema koda za usklađivanje.

Ušteda je najveća na dugom materijalu, koji Google opisuje kao sve od uputstva od 10 minuta, preko predavanja od 90 minuta, do višesatnih snimaka. Ovo ukazuje na to da kratak snimak ionako staje u zadati budžet uzorkovanja, pa se na njemu nema šta preskočiti.

• Pronalaženje trenutka kraćeg od sekunde, za promjene stanja i granice rezova koje prolaz od jednog kadra u sekundi ne uhvati.
• Odgovor na pitanje o jednom detalju iz višesatnog snimka, bez trošenja miliona tokena.
• Otkrivanje neuobičajenog, tako što se zanimljiv dio ponovo uzorkuje s više kadrova u sekundi.
• Brojanje ponovljenih pokreta i pojedinačnih predmeta kroz vrijeme.

Koje je brojke Google objavio, a koje nije

Na standardnim testovima performansi za analizu videa Google navodi pad potrošnje tokena do 88 odsto, pad troška do 66 odsto i porast tačnosti do 7 odsto. Sve tri brojke mjerio je sam proizvođač, i sve tri su gornje granice, a ne prosjeci.

U objavi je imenovan jedan test performansi, LongVideoBench, i to u prikazu modela Gemini 3.7 Flash s uključenom i isključenom agentskom obradom. Tabela s vrijednostima po testovima nije objavljena, a ni polazni broj kadrova u sekundi prema kojem se poredilo. Ko po brojci od 88 odsto planira trošak, planira ga po podatku čiji najgori slučaj nije objavljen.

Google uz to tvrdi da Gemini 3.7 Flash s agentskom obradom leži na Pareto granici odnosa tačnosti i cijene, među modelima koje je testirao za razumijevanje videa, i naziva ga najboljim po kvalitetu od tri podržana modela. Koji su modeli ušli u to poređenje nije rečeno.

Kako se uključuje i gdje stiže dalje

Mogućnost je od 1. septembra 2026. na Gemini API-ju, u okruženjima Google AI Studio i Gemini Enterprise Agent Platform, za otpremljene video-datoteke i za snimke sa YouTubea. Programer je uključuje tako što polje processing na video-ulazu postavi na agentic, dok ostatak zahtjeva ostaje isti.

Naplata ide po redovnim cijenama tokena za Gemini API, bez posebne naknade, pa se ušteda vidi kao manji broj tokena, a ne kao niža cijena po tokenu. Google navodi da će istu mogućnost uskoro dobiti i korisnici aplikacije Gemini, na modelima Flash i Flash-Lite, a narednih mjeseci i YouTube funkcija Ask YouTube na stranici za gledanje.