Google Gemini Flash のエージェント型動画理解:トークン削減88%、精度向上7%

Googleは、Gemini Flashモデル向けに「エージェント型動画理解」を導入した。これは、受動的な固定フレーム取り込みから、モデル自身がどこを、どの速度で、どのモダリティ(フレーム、音声、字幕)を参照するかを決定するエージェントループへと移行する手法である。これにより、トークン消費を最大88%、分析コストを最大66%削減し、精度を最大7%向上させる。主な機能は4つ:サブ秒単位の瞬間位置特定、長尺動画からの針山捜索、動的サンプリングによる異常検知、可変速再生によるアクション・物体カウント。本アプローチは、エージェント型視覚技術を画像から動画の時間次元へ拡張するものである。