Gemini 代理式影片理解實測：問它講了什麼，它一張畫面都沒載，token 少 98%

事實分級：官方數字與機制來自 Google 2026 年 9 月 1 日的發表文，以及 Gemini API 文件的 Video understanding、Tokens、Pricing、Release notes 四頁（都在 9 月 3 日重新核對，文件標示最後更新 9 月 2 日）。實測是 9 月 3 日用官方 REST API 對同一支公開 YouTube 影片跑的七次呼叫，一支影片、一次觀察；成本是用 usage 欄位乘以牌價算出來的，不是帳單。

同一支 13 分 50 秒的影片、同一個問題，static 模式吃掉 76,203 個 token，agentic 模式只用了 1,076 個。9 月 3 日跑的一次實測，一支影片、一題。差距不是壓縮出來的：模型沒有把整支影片放進 context，工具載入欄裡只有文字模態、沒有任何畫面，讀完就回答。

Google 在 9 月 1 日發表這個功能，標題是「Introducing agentic video understanding with Gemini」（Google 發表文），列了三款模型：Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite。給的數字是三個「最多」：分析成本最多省 66%、token 最多省 88%、準確度最多升 7%，前提寫在同一句裡——跨標準影片分析基準測試。

省的方式，發表文自己交代了：模型決定「what to watch, at what speed, and through which modality」（Google 發表文），只抓需要的片段與訊號。文件寫的是用量隨問題、內容複雜度與模型的導航策略變動，不再像 static 那樣跟影片長度成正比。另一件事官方沒說：66% 和 88% 是兩個各自的上限，不是同一次比較；而這一次實測裡，依牌價推算的成本減幅（約 94%）小於 token 減幅（98.6%），錢確實省得比 token 少。計價表上可推算出一個可能的機制，官方沒有解釋。

官方一次給了三個「最多」，token 的減幅最大

衡量的指標不一樣。

官方數字	衡量的指標	出處
分析成本最多省 66%	跨標準影片分析基準測試的分析成本	9 月 1 日發表文
token 最多省 88%	同一組基準測試的 token 消耗量	9 月 1 日發表文
準確度最多升 7%	同一組基準測試的準確度	9 月 1 日發表文
一小時講座的官方例句：static 約 1.08M、agentic 可能約 108K tokens	單支影片的 token 用量，官方用的是「可能」的說法	Gemini API Tokens 文件
增益圖表跑的是 Gemini 3.7 Flash 在 LongVideoBench 上的結果	單一模型、單一基準測試	9 月 1 日發表文圖說

那個 108K 官方加了條件——「depending on the prompt and content」（Gemini API Tokens 文件）。順帶一提，1.08M 等於 3,600 秒乘以每秒 300 個 token，用的是高解析度的算法，108K 是它的十分之一。

這三個數字衡量的是不同指標，把它們寫在同一句裡就是在誤導。66% 說的是錢，88% 說的是 token，7% 說的是答對的程度；官方寫的是每一個都「最多」，沒有說它們會同時落在同一次呼叫上。發表文也把品質那條講清楚了：三款模型都有增益，但 Gemini 3.7 Flash 的整體品質最好、品質與成本的組合也最好，官方稱它在受測模型裡位於 Pareto 前緣。

機制那句寫得很乾淨。agentic 模式是模型按題目取材：看什麼、用什麼速度看、走哪個模態（畫面、音軌、字幕），三件事自己決定，只抓需要的片段與訊號；發表文用的動詞是呼叫一個內部工具，去載入影片檔的相關部分。對照組是 static：固定幀率吃整支影片，預設 1 FPS，可以經 API 調整。

官方也說了，開發者以前就可以手動做同樣的事。這次的差別是把這個迴圈搬進模型裡面，發表文把它類比成 agentic vision——程式碼執行加上原生圖像理解的那一套。

發表文列舉了四個用例，並沒有把清單收在那裡：秒以下的片段定位（1 FPS 容易整段漏掉）、長片大海撈針、異常偵測、動作與物件計數。發表文說增益在長片上特別明顯，範圍從 10 分鐘的教學片到 90 分鐘的講座和多小時的錄影。

static 模式的帳算得出來：一秒約 100 個 token

文件給了公式。低解析度每幀 66 tokens，高解析度每幀 258 tokens，音訊每秒 32 tokens，再加一點 metadata。合起來官方寫成約每秒 100 個 token（預設低解析度）或約 300 個（高解析度）。

Tokens 文件那張模式表對 static 的形容只有一行：「Predictable, proportional to video duration」（Gemini API Tokens 文件）。長度上限文件也給了：1M context 的模型在預設低解析度下最長吃 3 小時影片，高解析度最長 1 小時。拿一支 10 分鐘的影片套進去：

一支 10 分鐘影片（static）	低解析度	高解析度
影片輸入 token	約 60,000	約 180,000
Gemini 3.7 Flash 依牌價推算	約 $0.045	約 $0.135
Gemini 3.5 Flash-Lite 依牌價推算	約 $0.018	約 $0.054

（按官方約 100／約 300 tokens／秒的近似值推算，非實測；只算影片輸入，不含輸出與思考。官方底層是每幀 66 或 258 個 token，加上音訊每秒 32 再加 metadata，所以這一欄本身是近似值。）

牌價來自計價頁：Gemini 3.6 Flash、3.7 Flash、3.8 Flash 三款同價，輸入每百萬 tokens $0.75、輸出 $3.75，這個價到 2026 年 12 月 31 日為止，2027 年 1 月 1 日起變成 $1.50 與 $7.50；Gemini 3.5 Flash-Lite 輸入 $0.30、輸出 $2.50，文字、圖像、影片、音訊都是同一個輸入價。7 月那篇便宜模型實測量的是 Google 同一條走量線。

static 的好處不是便宜，是帳可預測。影片輸入那一格可以依片長與解析度先算出來，不會因為換一個問題就上下跳；thought 與輸出仍隨題目變動，但在後面那次 static 呼叫裡只占 4%。做預算、做報價、做用量上限，這一格填得進去。

問它講了什麼，模型只載入文字

這次測的是理解，不是生成——6 月那篇影片模型實測測的是把影片做出來，這一篇測的是把影片讀進去。

影片挑的是發表文範例程式碼裡那一支：https://youtu.be/7Z5Vy9JBANs，Google 的 I/O 2026 Gemini keynote。YouTube 頁面的 metadata 標的是 Google 頻道、2026 年 5 月 22 日上傳、長度 830 秒，也就是 13 分 50 秒；各次呼叫裡模型自己回報的長度落在 13:49 到 13:51 之間。內容三點是模型回報的：Gemini app 重新設計、Gemini Omni 進 app、Daily Brief 與 Gemini Spark 兩個代理功能，這三點沒有人工逐段核對。

題目只有一句：列出三個最重要的重點，各附首次提到的 MM:SS 時間戳，最後給總長度。另外準備了一題畫面題：描述 05:00 畫面上有什麼，不要靠字幕，80 個英文單字以內。七次呼叫的 usage 長這樣：

呼叫	模型	模式	秒	輸入（其中影片）	工具載入（模態）	total_thought_tokens	輸出	合計
static-37	3.7 Flash	static	15.2	75,571（75,533）	0	458	174	76,203
probe-37-agentic	3.7 Flash	agentic	11.0	109	155（text）	554	258	1,076
agentic-37-r2	3.7 Flash	agentic（重跑）	8.2	146	192（text）	470	280	1,088
static-38	3.8 Flash	static	13.4	75,571（75,533）	0	538	206	76,315
agentic-38	3.8 Flash	agentic	9.9	171	217（text）	885	263	1,536
agentic-lite	3.5 Flash-Lite	agentic	9.2	38	84（text）	0	187	309
agentic-37-visual	3.7 Flash	agentic（畫面題）	10.6	130	458（text 194＋image 264）	241	148	977

（token 是 usage 欄位原值；秒數是含網路往返的 wall time。）

先看 static 那一列的分子分母：75,533 個影片 token 除以 830 秒等於每秒 91 個，跟官方寫的「約 100 個／秒」（預設低解析度）落在同一個量級。

公式沒有騙人。

再看減幅。前三個對照的是同一個模型的 static：Gemini 3.7 Flash 第一次 98.6%，重跑一次還是 98.6%；Gemini 3.8 Flash 98.0%。Flash-Lite 沒跑 static，對照 Gemini 3.7 Flash 的 static 是 99.6%。這四個數字全都超過文件對長片寫的那個上限——最多少 88% 的總 token——差別看起來在題目：問「講了什麼」，文字模態的資料就答得完，工具載入欄裡一張畫面都沒有。這一支、這一題如此，換一支影片、換一題就不是這個數字了。

六次回報了時間戳的呼叫，數字彼此接近但不相同：static-37 給 02:28／05:01／06:42，static-38 給 02:28／05:01／06:40，probe-37-agentic 給 02:26／05:00／06:41，agentic-37-r2 給 02:26（另提 02:30）／04:58（另提 05:00）／06:41，agentic-38 給 02:20／05:00／06:41，agentic-lite 給 02:26／04:54／06:41。最大的一筆差距是 8 秒——Gemini 3.8 Flash 的 agentic 回報 02:20，同一款模型的 static 回報 02:28。六次的三個重點內容相同。沒有第三方標準答案可以對，所以只能說彼此接近，不能說正確。

真正把省法攤開的是畫面題。問「講了什麼」時，工具載入欄只有 text 一種模態，四次分別是 155、192、217、84 個 token；問「05:00 畫面上有什麼」時，同一支影片、同一個模型，工具載入變成 text 194 加上 image 264。多出來的 264 很接近文件寫的高解析度每幀 258 tokens，推測是一張畫面。

換一個問題，模態就換了。

畫面題的答案是這樣（模型描述，未逐格核對）：紅椅子的觀眾席、亮燈舞台上一名穿藍色 polo 衫與牛仔褲的男子站在大螢幕旁、螢幕上是 AI 生成圖（粉紅翅膀的豬、戴派對帽的貓、3D 的 HELLO 字）、淺色木牆與拱門。

還有一件看不到的事。processing_call 與 processing_result 這兩種 step 的內容是簽章字串，讀不出模型要求的是哪幾秒、哪一段；能看到的只有 usage 裡的模態與 token 數。省了多少看得到，怎麼省的看不到。真要追究模型漏掉了哪一段，目前沒有欄位可以查。

七次呼叫的 wall time 也有落差：agentic 的三次 Gemini 3.7 Flash 呼叫落在 8.2 到 11.0 秒，static 兩次是 13.4 到 15.2 秒。這幾次如此，樣本太少，不當延遲結論用。

一次實測裡，錢的減幅小於 token 的減幅，剩下的 token 是思考

把 token 換成錢，減幅就縮水。

static-37 那一次依牌價推算約 $0.059：輸入 75,571 個 token 乘以 $0.75/M 是 $0.0567，thought 加 output 共 632 個 token 乘以 $3.75/M 是 $0.0024。影片輸入吃掉這筆錢的 96%。

agentic 那一次依牌價推算約 $0.003。這裡卡著一個文件沒寫的東西：tool use tokens 到底以輸入價還是輸出價計，計價頁沒有說。三種假設各算一次——以輸入價計 $0.0032、完全不計 $0.0031、以輸出價計 $0.0037——估值落在 $0.0031 到 $0.0037 之間，對應的成本減幅是 94.5%、94.7%、93.7%。估值本身擺盪將近兩成，但不管 tool use 用哪個價算，減幅都在 94% 上下。

同一支影片、同一題	static-37	probe-37-agentic
合計 token	76,203	1,076
依牌價推算成本	約 $0.059	約 $0.003（$0.0031–$0.0037）
減幅	—	token 98.6%、成本約 94%

（依 2026 年 12 月 31 日之前的牌價，用 usage 欄位乘以牌價算出來，不是帳單。）

token 少 98.6%，錢少約 94%。那幾個百分點跑到哪裡去了？agentic 那一次的錢有約 94% 落在 thought 加 output 上（以輸入價計 tool use 的話是 $0.003045 對 $0.003243，93.9%），而計價頁的輸出價欄位標明包含思考 tokens，輸出價又是輸入價的五倍。影片輸入被砍掉之後，剩下的 token 大多是模型導航時想出來的，而那些 token 走的是貴的那一格。

把官方的兩個「最多」拿來倒推，方向一樣。token 剩 12%、錢剩 34%，34 除以 12，剩下的 token 平均單價是 static 平均單價的 2.8 倍。這是純算術，前提是兩個「最多」同時成立，官方沒有說它們會同時成立。

官方沒有解釋 66% 和 88% 為什麼不同，上面這條只是從計價表可推算出來的一個可能機制，不是官方給的原因，也不排除還有別的成分沒寫進文件。

所以 agentic 的帳光看 total 算不出來，還要另看 thought 與 tool use 兩欄。total 會讓人以為省了九成八，實際上付錢的結構已經整個換過：以前是一大堆便宜的影片輸入，現在是一小撮貴的思考輸出。影片長度翻倍，static 那一格會跟著翻倍，agentic 那一格未必跟著走——文件說它隨問題、內容複雜度與導航策略變動，不再像 static 那樣跟片長成正比。

這也是報價時最容易估錯的一格。用 static 的經驗去乘影片長度，會把 agentic 的成本估錯；用官方的 66% 去乘 static 的帳，又會忘記思考 token 是按輸出價走的。要有把握，就得把 total_thought_tokens 單獨拉出來看。

官方自己列了兩種該留在 static 的情況

文件的選用建議開頭就寫「start with agentic mode」（Gemini API Video understanding 文件），尤其在乎回應品質或 token 效率的時候。但同一段就把例外列出來：5 分鐘以下的短片而且在乎延遲，以及整支片每一幀都要精確的情況。static 那一列的形容詞也很直白——「Works well for short clips」（同一份文件）。

計價頁的註腳補了一個更具體的反向情況：token 數取決於問題複雜度與動態取樣深度，「which may exceed 1 FPS for detailed visual segments」（Gemini API 計價頁）。要模型細看畫面，它的取樣可以比 static 的預設幀率還密。

發表文的異常偵測用例說的其實是同一件事：先找出有趣的時間窗，再用更高的 FPS 重看那幾段。省不省，看你要它重看多少。

還有一個參數細節要先分開看：media_resolution 和 processing 彼此獨立，可以同時設。一個管解析度，一個管處理模式，兩件事分開調，不會互相蓋掉。

一題一題問長片最划算；要整支片逐幀全掃，agentic 未必省。

發表文列三款，文件列四款，YouTube 輸入還是 preview

9 月 1 日的發表文與同一天的 release note 都寫三款：Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite。文件的模式表寫四款，第四款是 Gemini 3.8 Flash，9 月 2 日才正式推出，文件的模式表已經把它列進去。Gemini 3.7 Flash 的正式推出日是 8 月 13 日，Gemini 3.6 Flash 與 3.5 Flash-Lite 是 7 月 21 日。

開法只有一行——把 processing 設成 agentic——而 Interactions 與 GenerateContent 兩個 API 都支援。取得管道是 Gemini API（Google AI Studio）與 Gemini Enterprise Agent Platform，影片可以上傳，也可以直接餵 YouTube 連結；計價走標準 token 價，官方寫明「no additional feature fee」（Google 發表文）。Google AI Studio 本身的使用不收費。

YouTube 連結這條輸入路徑目前標著 Preview，而且免費——文件同時寫了價格與速率限制可能改變。免費層每天最多 8 小時 YouTube 影片，付費層沒有長度上限，只收公開影片。文件裡 preview 這個字只出現在 YouTube 連結那一段，agentic 模式本身沒有 preview 或 experimental 的標記。

回應結構多了兩種 step。processing_call 是模型要求某一段影片或字幕，帶一個 id；processing_result 是載入結果，用 call_id 對回去。兩者跟 thought steps 交錯出現，排在最終輸出之前，官方說可以拿來在介面上做進度顯示。

產品端的部分都是未來式：Gemini app 的 Flash 與 Flash-Lite 模型將很快全面推出，YouTube 觀看頁的「Ask YouTube」功能會在未來幾個月用上這套處理方式。

給非工程師的一句話

以前要 AI 看一支影片，做法是把整支片影印一份塞給它——每一頁都印，不管你問的是第幾頁。片子越長，影印費越貴，長度直接決定價錢。

現在的做法是給它目錄。它自己翻到需要的那幾頁，看完就回答。這次跑的一次實測裡，問「這支影片講了什麼」，它一頁畫面都沒翻，只拿了文字的部分，紙省了九成八。

錢沒有省九成八。翻頁要花腦力，而腦力比紙貴——這是價目表上寫著的事：想出來的東西，比讀進去的東西貴五倍。所以省下來的紙比省下來的錢多，這中間的落差不是誤差，是它換了一種工作方式。

回到開場那支 13 分 50 秒的影片。省下來的不是看得更快，是決定不看：問題用文字就答得完，它就沒有去翻那 830 秒的畫面。