Gemini analiza videos usando hasta 88% menos tokens

Google incorporó comprensión agentiva de video a Gemini 3.7 Flash, 3.6 Flash y 3.5 Flash-Lite. En lugar de procesar el material de manera uniforme, el modelo puede decidir qué fragmentos mirar, a qué velocidad y mediante qué señal: cuadros, audio o transcripción.

También puede servirte: Google abre Fairwind para ciberdefensa con Gemini

El método tradicional toma imágenes a una frecuencia fija, de forma predeterminada un cuadro por segundo. Es simple, pero puede gastar contexto en minutos irrelevantes y perder acciones que ocurren entre dos muestras. El nuevo bucle busca un tramo, lo revisa y aumenta la frecuencia cuando necesita más detalle.

Google informa reducciones de hasta 88% en tokens y 66% en costo, junto con una mejora de precisión de hasta 7% en benchmarks. La expresión “hasta” es central: son máximos observados, no una garantía simultánea para todas las consultas, duraciones o modelos.

Si una tarea estática consumiera 100.000 tokens, una reducción máxima de 88% dejaría 12.000. Si costara diez dólares, un ahorro máximo de 66% la llevaría a 3,40 dólares. Esos cálculos ilustran los porcentajes; no son precios ni consumos prometidos para un video concreto.

La ventaja crece en grabaciones largas, como clases de noventa minutos o archivos de varias horas. Allí el sistema puede buscar una escena puntual sin convertir cada instante en entrada. También puede volver sobre una acción rápida con más cuadros por segundo para contar movimientos o detectar anomalías.

El modo está disponible para archivos subidos y videos de YouTube mediante Gemini API en Google AI Studio y Gemini Enterprise Agent Platform. Se activa indicando procesamiento agentivo y usa el precio estándar de tokens, sin un cargo adicional específico por la función.

La precisión necesita contexto. Un incremento de siete puntos porcentuales no es igual a una mejora relativa de 7%, y la publicación habla de hasta 7% sin establecer que todos los conjuntos respondan igual. La evaluación real debe conservar preguntas, respuestas esperadas y presupuesto de tokens.

La novedad desplaza una parte de la ingeniería desde la aplicación hacia el modelo. Antes, un desarrollador podía construir su propio buscador de escenas y remuestreo; ahora Gemini realiza ese ciclo internamente. La conveniencia es verificable, mientras que costo y calidad finales dependen del contenido elegido.

El ahorro depende de que la pregunta permita descartar una parte grande del material. Resumir cada minuto de una conferencia obliga a revisar mucho más que localizar el instante en que aparece una diapositiva. Por eso, duración del video y tipo de consulta deben acompañar cualquier comparación de costo.

También existe un riesgo de selección: si el primer barrido no detecta la pista correcta, el agente puede no ampliar ese tramo. Una evaluación debería incluir eventos breves, audio contradictorio, texto pequeño y escenas visualmente parecidas, y medir tanto omisiones como respuestas correctas.