1 de setembro de 2026, o Google DeepMind apresentou a compreensão agêntica de vídeo nos modelos Gemini 3.7 Flash, 3.6 Flash e 3.5 Flash-Lite. Em vez de amostragem fixa de quadros a uma taxa de um por segundo, o modelo agora decide por si mesmo quais segmentos de vídeo, áudio ou transcrição carregar e em qual resolução. O blog oficial da empresa relata uma redução no consumo de tokens em até 88%, uma redução de custo em até 66% e um aumento na precisão em até 7% em vídeos longos.
O mecanismo funciona da seguinte forma: o modelo recebe um link para o vídeo e a consulta do usuário, e então planeja uma sequência de ações — extrair a transcrição, aumentar a taxa de quadros em um intervalo suspeito ou alternar para o áudio. Cada etapa é acompanhada de raciocínio interno, e o contexto final é formado apenas a partir de segmentos relevantes. Como resultado, uma palestra de uma hora que no modo estático exigia mais de um milhão de tokens agora é processada com aproximadamente 100 mil.
A avaliação foi realizada nos benchmarks 1H-VideoQA e LVBench. No modo agêntico, os tokens consumidos foram 88% menores, e a precisão das respostas aumentou em vários pontos percentuais. No entanto, o Google não publica estudos de ablação detalhados que mostrem qual componente específico — seleção de modalidade, taxa de quadros adaptativa ou planejamento interno — contribui mais para o ganho de qualidade.
Anteriormente, a maioria dos modelos multimodais, incluindo versões anteriores do Gemini e soluções de outros laboratórios, dependia de processamento estático: taxa de quadros fixa e carregamento completo do contexto. Essa abordagem garantia reprodutibilidade, mas rapidamente se tornava ineficiente em vídeos longos. O método agêntico do Google lembra abordagens já usadas em agentes de texto com ferramentas, mas as transfere para vídeo, mantendo a multimodalidade.
A comparação com trabalhos paralelos mostra que o Google aposta na eficiência especificamente para conteúdo longo, enquanto alguns outros laboratórios continuam aprimorando métodos estáticos com maior resolução de quadros. A diferença de filosofia é evidente: um lado minimiza o volume de contexto, o outro maximiza sua densidade.
Para os desenvolvedores, isso significa a possibilidade de construir agentes de vídeo que analisam gravações de várias horas sem custos proibitivos. Novos cenários surgem — busca automática de momentos-chave em palestras, edição precisa de vídeo por descrição, monitoramento de anomalias em gravações industriais. No entanto, permanece incerto quão estavelmente o modelo lida com consultas ambíguas quando os segmentos relevantes estão distribuídos por todo o vídeo.
A verificação independente ainda é limitada aos primeiros relatos de desenvolvedores. A comunidade provavelmente testará o comportamento em casos extremos: vídeos com mudanças rápidas de cena, áudio de baixa qualidade ou transcrições contraditórias. Os próximos trabalhos interessantes serão dedicados precisamente à robustez do planejamento agêntico e seu impacto na generalização.
O principal resultado do desenvolvimento é que a análise de vídeo se torna não exaustiva, mas direcionada, e isso muda a economia de aplicações que trabalham com conteúdo multimídia longo.
