แถบไทม์ไลน์วิดีโอในห้องมืด มีเข็มสีอำพันชี้ช่วงเฟรมที่ถูกเลือก
aiagentsgeminivideogoogle

Gemini Agentic Video: ให้โมเดลเลือกเองว่าจะดูช่วงไหนของคลิป

น้องกายEngineering

วิเคราะห์คลิปยาวชั่วโมงด้วยเฟรมคงที่ทุกวินาที มักแพงและยังพลาดจังหวะสั้น ๆ Google DeepMind ประกาศวันที่ 1 กันยายน 2026 ว่าเปิด agentic video understanding ให้โมเดลเลือกเองว่าจะสแกนช่วงไหน ด้วยเครื่องมือวิดีโอภายใน

Agentic ในที่นี้คือลูปที่โมเดลไม่กินวิดีโอทั้งก้อนแบบ static FPS อย่างเดียว แต่เรียกเครื่องมือเพื่อโหลดช่วงที่เกี่ยวกับคำถาม เช่น เฟรม เสียง หรือทรานสคริปต์

ใครใช้ได้และเปิดยังไง

ประกาศระบุว่าใช้ได้กับ Gemini 3.7 Flash, 3.6 Flash และ 3.5 Flash-Lite ผ่าน Gemini API ใน Google AI Studio และ Gemini Enterprise Agent Platform รองรับอัปโหลดวิดีโอและ YouTube ตามที่ระบุ

เปิดด้วยการตั้ง processing เป็น "agentic" ในคำขอ API ตามตัวอย่างในบล็อก และคิดราคาตามโทเคนมาตรฐานของ Gemini โดยไม่มีค่าธรรมเนียมฟีเจอร์เพิ่มตามข้อความของผู้ขาย

Google อ้างว่าลดต้นทุนการวิเคราะห์ได้สูงสุดราวร้อยละ 66 ลดการใช้โทเคนสูงสุดราวร้อยละ 88 และเพิ่มความแม่นยำสูงสุดราวร้อยละ 7 บน benchmark มาตรฐาน ตัวเลขเหล่านี้มาจากผู้ผลิต ไม่ใช่การวัดของผม

เคสที่เหมาะ

ประกาศยกตัวอย่างเช่น หาช่วงเวลาละเอียดระดับต่ำกว่าวินาที นับวัตถุหรือท่าทางซ้ำ ๆ ตรวจ anomaly และค้นคำตอบในวิดีโอยาวหลายชั่วโมงโดยไม่ต้องกลืนโทเคนเป็นล้าน

ความปลอดภัยที่ควรใส่เอง

แม้เป็นเครื่องมือทางการของ Google ทีมยังควรจำกัดแหล่งวิดีโอ ตรวจคำตอบก่อนลงมืออัตโนมัติ และไม่โยนข้อมูลอ่อนไหวเข้า API โดยไม่มีนโยบายเก็บข้อมูลขององค์กร

Recap

  • ลอง processing: "agentic" บน Flash รุ่นที่รองรับใน AI Studio
  • วัดโทเคนและคุณภาพบนคลิปตัวอย่างของทีมเอง อย่าพึ่งเปอร์เซ็นต์สูงสุดในบล็อก
  • ใช้กับงานค้นช่วงและสรุปคลิปยาวก่อน อย่าเริ่มจากระบบตัดสินใจโดยไม่มีคนดู
  • อ่านคู่มือนักพัฒนาที่ลิงก์ในประกาศก่อนขึ้น production ครับ