Gemini научился смотреть видео выборочно: до 88 % меньше токенов на разбор

Разница видна на длинном материале. Часовая лекция при старом порядке целиком ложилась в контекст: платишь за всю дорожку, даже когда спрашиваешь про одну минуту. Разработчик мог резать видео сам, но тогда рисковал выбросить нужный кадр. Теперь цикл выполняется внутри модели: она ищет нужный отрезок, при необходимости пересматривает его чаще одного кадра в секунду и добирает звук или расшифровку.

Режим доступен для Gemini 3.7 Flash, 3.6 Flash и 3.5 Flash-Lite, включается одним полем в запросе. Работает и с загруженным файлом, и со ссылкой на YouTube. Отдельной платы за возможность нет: навигация тарифицируется как токены рассуждения, а подгруженные кадры и звук — как токены инструментов.

Прикладной смысл — поиск момента с точностью до долей секунды, ответы по многочасовым записям без миллионов токенов в контексте, подсчёт повторяющихся действий и предметов. На коротких роликах, до пяти минут, и там, где важен каждый кадр подряд, разработчик советует остаться на прежнем режиме.

Из этой же серии — агентное зрение для изображений, где модель дополняет собственное распознавание запуском кода. Общий приём один: не грузить всё в контекст, а ходить за данными по мере надобности.