Gemini動画分析、トークン88%削減

今回のアップデートは、1月にGemini 3 Flashへ搭載された「エージェント型視覚」の動画版といえる。先の機能はモデルがPythonを書いて実行し、画像編集をループで検証するものだった。今回は同じ原理を動画に応用し、フレーム、音声、文字起こしの中から必要な部分をモデルが選び、動画の一部だけを取得。1H-VideoQAやLVBenchなどのベンチマークで最大88%のトークン削減を実現している。

実際の利点は、1秒未満のカットや状態変化など、毎秒固定サンプリングでは見逃しがちな細部で精度が出ることだ。Googleによれば、LongVideoBenchでGemini 3.7 Flashは品質とコスト効率の両方で首位。エージェント型の手法は単に安価なだけでなく、しばしば高精度でもある。

Googleは今後数ヶ月でFlashとFlash Liteの全Geminiアプリ利用者にこの機能を展開し、その後「Ask YouTube」連携を進める。APIは通常のトークン料金で追加料金もかからないため、コスト削減により高度な動画分析が開発者にとって利用しやすくなる。