Google stattet mehrere Gemini-Modelle mit einer agentischen Videoanalyse aus. Statt ein Video starr abzutasten, sucht das Modell gezielt nach relevanten Stellen und senkt so laut Google Token-Verbrauch und Kosten deutlich.
Die neusten Modelle Gemini 3.7 Flash, 3.6 Flash und 3.5 Flash-Lite sollen damit unter anderem Momente erkennen, die kürzer als eine Sekunde sind, etwa Zustandsänderungen oder Schnitte, die bei einem Bild pro Sekunde verloren gehen. So lassen sich Videos laut Google präziser automatisiert bearbeiten.
Außerdem kann es gezielt einzelne Szenen in stundenlangem Material aufspüren, ohne Millionen von Token zu verbrauchen. Es erkennt auch Anomalien, indem es auffällige Zeitfenster mit höherer Bildrate erneut abtastet, und zählt wiederholte Bewegungen sowie einzelne Objekte über die Zeit genau mit.
Neu ist die Verarbeitungsweise: Bislang setzte Gemini auf eine statische Verarbeitung, bei der das Video mit einer festen Bildrate abgetastet wird, standardmäßig ein Bild pro Sekunde, per API anpassbar. Seit der nativen Videoanalyse von 2025 transkribiert Gemini den Audiotrack und wertet die Frames im Sekundentakt aus.
Die agentische Variante koppelt die Kernlogik des Modells laut Google mit nativen Videowerkzeugen. So entscheidet das Modell selbst, welche Abschnitte es sich ansieht, mit welcher Geschwindigkeit und über welche Modalität, also Frames, Audio oder Transkript. Es ruft nur die Momente und Signale ab, die für die jeweilige Aufgabe nötig sind.
Werkzeug lädt nur den relevanten Teil des Videos
Gemini ruft dafür ein internes Tool auf, das den relevanten Teil der Videodatei lädt. Entwickler konnten ein solches selektives Vorgehen laut Google zwar auch bisher manuell umsetzen, das Modell übernimmt den Aufwand nun aber selbst.
Google zieht eine Parallele zur “agentic vision”, die das Unternehmen im Januar für Gemini 3 Flash eingeführt hatte. Dort generiert und führt das Modell Python-Code aus, um Bilder zu zoomen, zuzuschneiden und zu annotieren. Anschließend prüft es das Ergebnis in einer Schleife aus Denken, Handeln und Beobachten, bevor es antwortet. Automatisch funktionierte das zum Start allerdings nicht in allen Fällen. Bereits die Vorstellung von Gemini 3 Flash im Dezember hob visuelles und räumliches Reasoning für Videoanalysen hervor.
Die Effizienzgewinne fallen laut Google bei langen Videos besonders deutlich aus, von zehnminütigen Anleitungen über 90-minütige Vorlesungen bis zu mehrstündigen Aufnahmen. Bei der statischen Verarbeitung müssten Entwickler zwischen hohen Token-Kosten und Verfahren wählen, die wichtige Details verwerfen.
In Googles eigenen Benchmarks, darunter LongVideoBench für das Verständnis langer Videos, erreicht Gemini 3.7 Flash mit agentischer Analyse die beste Gesamtqualität. Es liefert demnach die höchste Gesamtqualität sowie die beste Kombination aus Qualität und Kosteneffizienz.
Keine zusätzliche Gebühr per API
Die Funktion steht ab sofort für Video-Uploads und YouTube-Videos über die Gemini-API in Google AI Studio und in der Gemini-Enterprise-Agent-Platform bereit. Entwickler müssen die Verarbeitung dafür in der API-Konfiguration auf “agentic” setzen. Es gelten die Standard-Token-Preise der Gemini-API, eine zusätzliche Gebühr fällt laut Google nicht an. Mehr Informationen gibt es im Developer-Guide.
Google will die Verbesserungen darüber hinaus in eigene Produkte bringen. Die Funktion soll bald für alle Nutzer der Gemini-App bei den Flash- und Flash-Lite-Modellen verfügbar sein. In den kommenden Monaten soll die agentische Videoanalyse zudem die Funktion “Ask YouTube” auf der Wiedergabeseite antreiben und dort Antworten liefern, die stärker auf den sichtbaren Inhalten der Videos beruhen.
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den “KI Radar”‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
