Google bugun eng yangi Gemini 3.7 Flash, 3.6 Flash va 3.5 Flash-Lite modellarida agentik video tushunish (agentic video understanding) funksiyasi joriy etilganini e’lon qildi. Ushbu yangi funksiya video tahlili aniqligini oshiradi, shu bilan birga video tahlili jarayonida Token sarfi va xarajatlarni keskin kamaytiradi.
Ushbu funksiya standart Gemini API Token tariflari asosida ishlaydi va qo‘shimcha funksiya haqi olinmaydi.
Mavjud “statik” ishlov berish usulidan farqli ravishda, bunda model videoni belgilangan kadrlar tezligida, sukut bo‘yicha 1 FPS’da o‘qiydi va bu qiymatni API orqali o‘zgartirish mumkin, agentik video tushunish modelning asosiy mulohaza yuritish qobiliyatini mahalliy video vositalari bilan birlashtiradi. Natijada u video lavhalarini vizual kadrlar, audio va transkripsiya matni orqali dinamik ravishda qidirishi, skanerlashi va tekshirishi mumkin.
Standart video tahlili mezonlari sinovida agentik video tushunish bilan jihozlangan Gemini modellari tahlil xarajatlarini eng ko‘pi bilan 66% ga, Token sarfini esa eng ko‘pi bilan 88% ga kamaytiradi, aniqlikni esa eng ko‘pi bilan 7% ga oshiradi. Bunday samaradorlik uzoq videolar uchun ayniqsa yaqqol namoyon bo‘ladi, chunki an’anaviy statik ishlov berish dasturchilarni yuqori Token xarajatlari va muhim tafsilotlarni yo‘qotish o‘rtasida tanlov qilishga majbur etadi.
Google ta’kidlashicha, agentik video tushunish bilan birgalikda ishlaydigan Gemini 3.7 Flash eng yuqori umumiy sifatni ta’minlaydi. Shuningdek, u sifat va xarajat samaradorligi o‘rtasida optimal muvozanatga erishadi hamda video tushunish vazifalarida aniqlik va xarajat bo‘yicha Pareto optimal frontida joylashadi.
Statik ishlov berishda model media oqimini belgilangan kadrlar tezligida o‘qiydi. Agentik video tushunish esa Gemini’ga qaysi tarkibni, qanday tezlikda va qaysi modalitet, ya’ni kadr, audio yoki transkripsiya matni orqali ko‘rishni faol va maqsadli ravishda tanlash imkonini beradi. U faqat kerakli lavha va signallarni ajratib oladi. Ilgari dasturchilar bunday amallarni qo‘lda bajarishlari kerak edi, agentik video tushunish yordamida esa Gemini ularni aqlli sikl orqali amalga oshiradi, videoning tegishli qismlarini yuklash uchun ichki vositalarni chaqiradi va ishlab chiqish ishlarini sezilarli darajada kamaytiradi.
IT之家 ma’lumotlariga ko‘ra, ushbu funksiya dasturchilarga uzoq video kontentini qayta ishlash uchun ko‘plab yangi imkoniyatlarni taqdim etadi.
Bir soniyadan kichik vaqt oralig‘idagi lahzalarni qidirish: 1 FPS’da o‘tkazib yuborilishi oson bo‘lgan holat o‘zgarishlari va qisqa montaj chegaralarini aniq topish, yuqori aniqlikdagi avtomatlashtirilgan video tahririni amalga oshirish.
Uzoq videolarda “pichandan igna qidirish”: bir necha soatlik videolarda millionlab Token sarfisiz murakkab so‘rovlarga javob berish.
Anomaliyalarni aniqlash: qiziqish uyg‘otgan vaqt oynalarini yuqoriroq kadrlar tezligida qayta namunalash, tezkor harakatlar va nozik vizual artefaktlarni tekshirish.
Harakat va obyektlarni sanash: takrorlanuvchi jismoniy harakatlar hamda turli obyektlarni vaqt davomida aniq kuzatish.
Ayni paytda ushbu funksiya Google AI Studio va Gemini Enterprise Agent Platform platformalaridagi Gemini API’da ishga tushirilgan bo‘lib, video yuklash va YouTube videolarini tahlil qilishni qo‘llab-quvvatlaydi. Dasturchilar funksiyani yoqish uchun API konfiguratsiyasida ishlov berish rejimini “agentic” qilib belgilashlari kifoya.
Google ushbu imkoniyatni oddiy foydalanuvchilarga mo‘ljallangan boshqa mahsulotlariga ham joriy etishni rejalashtirmoqda. Tez orada funksiya Gemini ilovasidagi barcha Flash va Flash-Lite modellari foydalanuvchilariga taqdim etiladi. Kelgusi bir necha oy ichida agentik video tushunish YouTube videolarini tomosha qilish sahifasidagi “Ask YouTube” funksiyasini ham qo‘llab-quvvatlaydi va Gemini yordamida video tasvirlariga asoslangan yanada sifatli javoblarni taqdim etadi.