Geminiに「Agentic Video」登場 — 動画理解を最大88%トークン削減、最大7%精度向上

Google DeepMindは9月1日（米国時間）、Geminiの新たな動画理解機能「Agentic Video Understanding」を発表した。Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteで利用でき、Gemini API経由でGoogle AI StudioおよびGemini Enterprise Agent Platformから本日提供される。動画アップロードとYouTube動画の両方に対応し、API設定で processing を agentic にするだけで有効化できる。

従来の「静的」処理が固定FPS（デフォルト1 FPS）で映像を一括取り込むのに対し、Agentic Videoはモデルの推論とネイティブの動画ツールを組み合わせ、目的に応じて区間を探索・走査・再視聴する。視覚フレーム、音声、文字起こしのうち必要な信号だけを取得するエージェント型ループにより、トークンとコストを抑えつつ精度を高める設計だ。

Agentic Videoとは — 動的探索で「観るべき場所」だけを観る

• 対象モデル: Gemini 3.7 Flash / 3.6 Flash / 3.5 Flash-Lite。3.7 Flashが最高品質とコスト効率の両立でパレートフロンティアに位置すると同社は説明する。
• 仕組み: 固定フレームレートで全区間を処理するのではなく、内蔵ツールで該当区間をロードし、異なるFPSで再視聴するなど、タスクの目標に合わせて「どこを・どの速度で・どのモダリティで」観るかをエージェント的に決定する。従来は開発者が手動で実装していた前処理をモデル側で自律的に行う。
• 提供形態: 追加料金なしで標準のGemini APIトークン料金が適用される。動画アップロードとYouTube動画に対応。開発者ガイドで設定方法を案内している。
• 展開: まずはAPI提供、近くGeminiアプリのFlash/Flash-Liteで全ユーザーへ展開。数カ月以内にYouTubeの視聴ページにある「Ask YouTube」でもAgentic Videoが回答の視覚的根拠を強化する。

出典: Introducing agentic video understanding with Gemini — Google Blog

性能と効率 — 長尺動画で顕著な効果

• 全体傾向: 標準的な動画理解ベンチマーク群で、Agentic Videoによりコスト最大66%削減、トークン最大88%削減、精度最大7%向上。長尺動画（10分のハウツーから90分の講義、数時間の記録）ほど効果が大きい。
• LongVideoBench（長尺理解）: Gemini 3.7 Flashで静的処理とAgentic処理を比較すると、トークンを大幅に減らしつつ精度が向上。10分以上の長尺タスクで冗長なフレームを省き、必要な区間だけを深掘りする利点が表れる。

出典: Introducing agentic video understanding with Gemini — Google Blog

• 高速動作のカウント: 異なるFPSで再視聴することで、激しい動きの回数を正確に数えるタスクで精度が向上。可変FPSの走査が寄与する。
• Needle-in-a-haystack（針穴探索）: 大量の映像から複雑な質問に答えるタスクで、静的解析の数分の一のトークンで正答。開発者の前処理工数も削減される。
• 留意点: 上記はGoogle公開の社内評価に基づく。独立第三者による同一条件の再現や多様なデータでの一般化は今後の検証が必要である。

使い方と今後

• 有効化: Gemini APIの動画処理設定で processing: "agentic" を指定。YouTube URLとアップロード動画の双方で利用できる。
• 早期パートナーの声: 同社は早期アクセスのパートナーが長尺要約、異常検知、カウントなどで強い性能を確認したと紹介している（具体的な社名・数値は一次情報に準拠）。
• 関連するAgentic Vision: 画像でのコード実行併用によるAgentic Visionと同様に、動画でもネイティブツールを活用したエージェント型処理を実現した位置づけ。

出典

• Introducing agentic video understanding with Gemini — Google Blog
• Introducing Agentic Video in Gemini — Google DeepMind Blog