Gemini kini menonton video layaknya manusia, bukan per frame tetap

Google menambahkan agentic video understanding ke Gemini, sebuah perubahan cara model membaca video. Selama ini, model seperti ini memproses video pada frame rate tetap, biasanya satu frame per detik, tak peduli frame itu penting atau tidak. Pendekatan baru membuat Gemini menentukan sendiri apa yang perlu ditonton. Model bisa mencari, memindai, dan memeriksa segmen tertentu lintas frame, audio, dan transkrip, lalu memilih kecepatan dan modalitas untuk tiap bagian, bukan menggilas semuanya pada satu laju.

Efisiensinya adalah alasan utama untuk memperhatikan ini. Google melaporkan token berkurang hingga 88%, biaya turun hingga 66%, dan akurasi naik hingga 7%, dengan peningkatan terbesar pada video panjang berdurasi sepuluh menit hingga beberapa jam. Alih-alih memuat seluruh file berjam-jam pada resolusi penuh, model memanggil tool internal untuk mengambil hanya bagian yang relevan, dan di situlah sebagian besar pemborosan pada pemrosesan video panjang terjadi.

Penggunaan praktisnya mengikuti kontrol tersebut. Google menyebut moment retrieval di bawah satu detik untuk editing otomatis, pencarian needle-in-a-haystack pada rekaman panjang, deteksi anomali dengan resampling dinamis, serta penghitungan akurat aksi berulang atau objek yang berbeda. Fitur ini tersedia lewat Gemini API pada Gemini 3.7 Flash, 3.6 Flash, dan 3.5 Flash-Lite.

Kenapa ini penting

Kalau kamu membangun apa pun di atas video, dari tool editing sampai review keamanan hingga pencarian media, pendekatan frame tetap yang lama membuat klip panjang mahal dan lambat. Membiarkan model memilih apa yang diperiksa mengubah hitungan biaya, jadi ada baiknya mengecek ulang apakah tugas yang dulu kamu anggap terlalu mahal kini muat dalam anggaranmu.