1 सितंबर 2026 को Google DeepMind ने जेमिनी 3.7 फ्लैश, 3.6 फ्लैश और 3.5 फ्लैश-लाइट मॉडल में एजेंट-आधारित वीडियो समझ प्रस्तुत की। प्रति सेकंड एक फ्रेम की निश्चित नमूनाकरण के बजाय, मॉडल अब स्वयं निर्णय लेता है कि वीडियो, ऑडियो या ट्रांसक्रिप्ट के कौन से हिस्से लोड करने हैं और किस रिज़ॉल्यूशन में। कंपनी के आधिकारिक ब्लॉग में टोकन खपत में 88% की कमी, लागत में 66% की कमी और लंबे वीडियो पर सटीकता में 7% की वृद्धि की सूचना दी गई है।
तंत्र इस प्रकार काम करता है: मॉडल को वीडियो का लिंक और उपयोगकर्ता का अनुरोध मिलता है, फिर यह क्रियाओं का एक क्रम नियोजित करता है — ट्रांसक्रिप्ट निकालना, संदिग्ध अंतराल में फ्रेम दर बढ़ाना, या ऑडियो पर स्विच करना। प्रत्येक चरण आंतरिक तर्क के साथ होता है, और अंतिम संदर्भ केवल प्रासंगिक अंशों से बनता है। परिणामस्वरूप, एक घंटे का व्याख्यान, जिसे स्थिर मोड में दस लाख से अधिक टोकन की आवश्यकता होती थी, अब लगभग 100 हजार टोकन का उपयोग करके संसाधित किया जाता है।
मूल्यांकन 1H-VideoQA और LVBench बेंचमार्क पर किया गया था। एजेंट मोड में, टोकन 88% कम उपयोग हुए, और उत्तरों की सटीकता कुछ प्रतिशत बढ़ गई। हालाँकि, Google विस्तृत एब्लेशन अध्ययन प्रकाशित नहीं करता है जो दिखाते हैं कि कौन सा घटक — मोडैलिटी चयन, अनुकूली फ्रेम दर, या आंतरिक योजना — गुणवत्ता में सुधार में मुख्य योगदान देता है।
पहले, अधिकांश मल्टीमॉडल मॉडल, जिनमें जेमिनी के पिछले संस्करण और अन्य प्रयोगशालाओं के समाधान शामिल थे, स्थिर प्रसंस्करण पर निर्भर थे: निश्चित फ्रेम दर और संदर्भ का पूर्ण लोडिंग। यह दृष्टिकोण प्रतिलिपि प्रस्तुत करने की क्षमता की गारंटी देता था, लेकिन लंबे वीडियो पर जल्दी अक्षम हो जाता था। Google की एजेंट विधि उन दृष्टिकोणों की याद दिलाती है जो पहले से ही टूल वाले टेक्स्ट एजेंटों में उपयोग किए गए थे, लेकिन उन्हें मल्टीमॉडलिटी बनाए रखते हुए वीडियो में स्थानांतरित करती है।
समानांतर कार्यों के साथ तुलना से पता चलता है कि Google विशेष रूप से लंबी सामग्री के लिए दक्षता पर दांव लगा रहा है, जबकि कुछ अन्य प्रयोगशालाएँ उच्च फ्रेम रिज़ॉल्यूशन के साथ स्थिर तरीकों में सुधार जारी रखती हैं। दर्शन में अंतर स्पष्ट है: एक पक्ष संदर्भ की मात्रा को कम करता है, दूसरा इसके घनत्व को अधिकतम करता है।
डेवलपर्स के लिए, इसका मतलब है कि वीडियो एजेंट बनाने की संभावना जो बिना निषेधात्मक लागत के कई घंटों की रिकॉर्डिंग का विश्लेषण करते हैं। नए परिदृश्य सामने आते हैं — व्याख्यानों में प्रमुख क्षणों की स्वचालित खोज, विवरण के अनुसार सटीक वीडियो संपादन, औद्योगिक रिकॉर्डिंग में विसंगतियों की निगरानी। हालाँकि, यह अस्पष्ट है कि मॉडल अस्पष्ट प्रश्नों के साथ कितनी स्थिरता से सामना करता है, जब प्रासंगिक अंश पूरे वीडियो में वितरित होते हैं।
स्वतंत्र सत्यापन अभी के लिए डेवलपर्स की पहली रिपोर्टों तक सीमित है। समुदाय संभवतः किनारे-मामलों पर व्यवहार की जाँच करेगा: तेज़ दृश्य परिवर्तन वाले वीडियो, निम्न-गुणवत्ता वाला ऑडियो, या विरोधाभासी ट्रांसक्रिप्ट। अगले दिलचस्प कार्य एजेंट योजना की दोष-सहिष्णुता और सामान्यीकरण पर इसके प्रभाव पर केंद्रित होंगे।
विकास का मुख्य परिणाम — वीडियो विश्लेषण व्यापक नहीं बल्कि लक्षित हो जाता है, और यह लंबी मल्टीमीडिया सामग्री के साथ काम करने वाले अनुप्रयोगों की अर्थव्यवस्था को बदल देता है।
