Η Google ανακοίνωσε την εισαγωγή της «πρακτορικής» (agentic) κατανόησης βίντεο στα τελευταία της μοντέλα Gemini 3.7 Flash, 3.6 Flash και 3.5 Flash-Lite. Η νέα αυτή δυνατότητα επιτρέπει στο μοντέλο να αναλαμβάνει έναν ενεργό, κατευθυνόμενο ρόλο στην ανάλυση οπτικοακουστικού περιεχομένου, επιλέγοντας δυναμικά ποια τμήματα του βίντεο θα εξετάσει, σε ποια ταχύτητα και μέσω ποιας παραμέτρου (εικόνα, ήχος ή απομαγνητοφώνηση).
Από τη Στατική στην Ενεργή Ανάλυση
Σε αντίθεση με την παραδοσιακή «στατική» επεξεργασία, όπου το μοντέλο επεξεργάζεται το βίντεο με σταθερό ρυθμό καρέ (συνήθως 1 FPS), η πρακτορική κατανόηση χρησιμοποιεί εσωτερικά εργαλεία για να αναζητά και να επιθεωρεί συγκεκριμένες στιγμές. Αυτή η προσέγγιση μειώνει την κατανάλωση tokens έως και 88% και το κόστος έως και 66%, ενώ παράλληλα βελτιώνει την ακρίβεια κατά 7%.
Νέες Δυνατότητες για Προγραμματιστές
Η νέα τεχνολογία ξεκλειδώνει εφαρμογές που μέχρι πρότινος ήταν δαπανηρές ή τεχνικά δύσκολες, όπως:
- Ανάκτηση στιγμών σε κλάσματα δευτερολέπτου: Εντοπισμός αλλαγών που χάνονται στη στατική ανάλυση.
- Ανίχνευση ανωμαλιών: Δυνατότητα επανεξέτασης ύποπτων χρονικών παραθύρων σε υψηλότερο ρυθμό καρέ.
- Ακριβής καταμέτρηση: Παρακολούθηση επαναλαμβανόμενων κινήσεων και αντικειμένων σε βάθος χρόνου.
- Αναζήτηση σε βίντεο μεγάλης διάρκειας: Απαντήσεις σε σύνθετα ερωτήματα για βίντεο ωρών χωρίς τεράστια σπατάλη πόρων.
Η λειτουργία είναι ήδη διαθέσιμη μέσω του Gemini API στο Google AI Studio και στο Gemini Enterprise Agent Platform. Σύντομα αναμένεται να ενσωματωθεί στην εφαρμογή Gemini για το ευρύ κοινό, καθώς και στη λειτουργία «Ask YouTube».
