
گوگل قابلیت درک عاملمحور ویدئو را در Gemini معرفی کرد
گوگل قابلیت درک عاملمحور ویدئو (Agentic Video Understanding) را برای Gemini 3.7 Flash، Gemini 3.6 Flash و Gemini 3.5 Flash-Lite عرضه کرد. این قابلیت با جستوجوی پویا در ویدئو، مصرف توکن و هزینه تحلیل محتوای ویدئویی طولانی را کاهش میدهد.
گوگل دیپمایند قابلیت «درک عاملمحور ویدئو» (Agentic Video Understanding) را برای مدلهای Gemini 3.7 Flash، Gemini 3.6 Flash و Gemini 3.5 Flash-Lite معرفی کرده است. این قابلیت در رابط برنامهنویسی کاربردی Gemini (Gemini API) برای تحلیل فایلهای ویدئویی و ویدئوهای یوتیوب در دسترس قرار گرفته است. در روش معمول، مدل ویدئو را با نرخ فریم ثابت، بهطور پیشفرض یک فریم در ثانیه، پردازش میکند. در روش جدید، مدل بهصورت هدفمحور مشخص میکند کدام بخشهای خط زمانی ویدئو را بررسی کند و در صورت نیاز میان فریمهای تصویری، صوت و رونوشت گفتار جابهجا میشود. این فرایند از طریق یک حلقه عاملمحور (Agentic Loop) انجام میشود و امکان بررسی دقیقتر بخشهای مرتبط را فراهم میکند. بر اساس آزمونهای ارائهشده توسط گوگل، استفاده از این روش میتواند مصرف توکن را تا ۸۸ درصد و هزینه تحلیل را تا ۶۶ درصد کاهش دهد و در برخی معیارها دقت را تا ۷ درصد افزایش دهد. گوگل کاربردهایی مانند یافتن لحظههای کوتاه و دقیق، جستوجو در ویدئوهای چندساعته، تشخیص ناهنجاری و شمارش دقیق اشیا و حرکات را از موارد استفاده این قابلیت عنوان کرده است. برای توسعهدهندگان ایرانی که از مدلهای چندرسانهای در تحلیل ویدئو، آرشیو محتوای آموزشی، پایش تصاویر یا جستوجوی محتوای ویدئویی استفاده میکنند، کاهش مصرف توکن میتواند به کاهش هزینه پردازش و امکان تحلیل ویدئوهای طولانیتر کمک کند. با این حال، استفاده از Gemini API همچنان به دسترسی به سرویسهای گوگل و زیرساخت لازم برای ارسال و پردازش محتوای ویدئویی وابسته است. این قابلیت از طریق Google AI Studio و پلتفرم سازمانی عاملهای Gemini (Gemini Enterprise Agent Platform) قابل استفاده است و هزینه جداگانهای برای فعالسازی آن دریافت نمیشود؛ مصرف بر اساس قیمتگذاری استاندارد توکن Gemini API محاسبه میشود. فعالسازی قابلیت با تعیین حالت پردازش «agentic» در پیکربندی API انجام میشود.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




