Google ha puesto a disposición la función «agentic video understanding» para los modelos Gemini 3.7 Flash, 3.6 Flash y 3.5 Flash-Lite. En lugar de procesar el video de principio a fin a una velocidad de fotogramas fija, el sistema realiza búsquedas dinámicas entre fotogramas visuales, audio y transcripciones para examinar únicamente las secciones necesarias. Este método aumenta la precisión del análisis, reduce el consumo de tokens hasta un 88 % y los costos hasta un 66 %, y permite mejorar la precisión hasta un 7 %.
La función ofrece capacidades como encontrar momentos de menos de un segundo, detectar anomalías con mayor precisión y realizar recuentos exactos. En particular, se busca aumentar la eficiencia en videos largos, desde guías de 10 minutos hasta clases de 90 minutos y grabaciones de varias horas. Entre los modelos compatibles, Gemini 3.7 Flash ofrece los mejores resultados en términos de calidad general y equilibrio entre calidad y costo.
En el procesamiento estático actual, el modelo analiza el video de forma predeterminada a una velocidad de 1 fotograma por segundo; esta velocidad puede modificarse a través de la API. En el enfoque agentic, el modelo decide por sí mismo qué observar, a qué velocidad y a través de qué canal, y carga la sección pertinente del video mediante una herramienta interna. De este modo, disminuye la necesidad de que los desarrolladores configuren manualmente estos procesos. El sistema puede volver a analizar los movimientos rápidos a distintas velocidades de fotogramas y encontrar información específica en los videos utilizando menos tokens.
La función puede utilizarse para cargas de videos y videos de YouTube a través de la Gemini API en Google AI Studio y Gemini Enterprise Agent Platform. Para activarla, es necesario establecer el tipo de procesamiento como «agentic» en la configuración de la API; se aplica la tarifa estándar de tokens de Gemini API y no hay ningún cargo adicional por la función.
Google ofrecerá próximamente mejoras de eficiencia y calidad a todos los usuarios que utilicen los modelos Flash y Flash-Lite en la aplicación Gemini. En los próximos meses, la tecnología también se integrará en la función «Ask YouTube» de la página de reproducción de YouTube.
Por qué es importante
Este cambio reduce la carga técnica del proceso de análisis para los desarrolladores que trabajan con grandes archivos de video; limita la necesidad de crear lógicas de exploración personalizadas al permitir que el modelo determine qué sección y canal de datos debe examinar. Un menor uso de tokens y unos costes más bajos podrían facilitar la realización de búsquedas detalladas, recuentos e investigaciones de anomalías en grabaciones de varias horas dentro de la estructura de precios actual de la API. Sin embargo, para aprovechar la función, los desarrolladores deben seleccionar además el tipo de procesamiento como agentic en la configuración de la API; por lo tanto, el flujo estándar de procesamiento de videos no cambia automáticamente. Por ahora, el acceso parece estar limitado a Google AI Studio y Gemini Enterprise Agent Platform a través de la API, mientras que no se ha especificado cuándo concluirá la expansión anunciada para el uso en la aplicación Gemini y YouTube.
Término: velocidad de fotogramas
La velocidad de fotogramas es el número de imágenes que se dibujan por segundo; cuanto mayor es, más fluido parece el movimiento.