Google DeepMind 推出 Gemini 代理式视频理解功能

Google DeepMind 于 2026 年 9 月 1 日发布博客，宣布推出 Gemini 的“代理式视频理解”功能，旨在让模型能够以代理形式理解和处理视频内容。

此前视频理解多限于单次问答或离线分析，此次 Gemini 引入“代理式”能力，意味着模型可自主执行多步任务、主动“观看”并交互，标志着视频 AI 从被动感知向主动代理演进。

若代理式视频理解落地，视频分析工具将支持自动监控、内容审查、精彩片段提取等场景，减少人工二次处理；研发团队需适配新 API 并设计多轮任务流程，产品形态可能转向可交互的智能体应用。

• 开发基于视频的智能体应用，如自动识别视频中关键事件并生成报告。
• 在视频编辑工具中集成代理式理解，实现语音指令驱动的剪辑与标记。
• 为监控行业设计视频问答与告警智能体，提升异常检测的自主性。

• 该功能具体支持哪些视频长度和格式？
• 代理式视频理解的实际用例和性能表现数据尚未公布。
• 功能是通过 API 开放还是仅限内部演示？
• 与现有 Gemini 视频理解能力的差异和边界是否明确？