Gemini springt durch Videos – bis zu 88 Prozent weniger Tokens
Google hat am 1. September 2026 Agentic Video Understanding für Gemini 3.7 Flash, 3.6 Flash und 3.5 Flash-Lite gestartet. Der Modus ist für hochgeladene Videos und YouTube-Videos über die Gemini API in Google AI Studio sowie die Gemini Enterprise Agent Platform verfügbar; in der Ankündigung vom 1. September nennt Google bis zu 88 Prozent weniger Tokens, bis zu 66 Prozent geringere Analysekosten und eine um bis zu sieben Prozent höhere Qualität.
Statt ein Video durchgehend mit einer festen Bildrate einzulesen, navigiert Gemini im agentischen Modus gezielt durch die Zeitleiste und lädt je nach Frage Frames, Ton oder Transkriptabschnitte. Entwickler aktivieren das Verfahren mit „processing“: „agentic“ im jeweiligen Videoobjekt; ohne diese Angabe bleibt die statische Verarbeitung mit standardmäßig einem Frame pro Sekunde aktiv.
Gemini untersucht nur ausgewählte Stellen
Die statische Verarbeitung legt das mit fester Bildrate abgetastete Material in einem Durchgang in den Kontext. Bei langen Aufnahmen wächst damit der Grundverbrauch selbst dann, wenn eine Frage nur eine kurze Aussage oder einen einzelnen Vorgang betrifft.
Agentic Video Understanding ersetzt diesen festen Durchlauf durch eine Suchschleife. Das Modell kann zuerst das Transkript durchsuchen, einen relevanten Zeitraum bestimmen und anschließend dort visuelle Frames oder Ton anfordern. Bei schnellen Bewegungen kann es ein enges Zeitfenster erneut mit höherer zeitlicher Auflösung untersuchen.
Das erklärt den starken Nutzen bei langen Vorträgen, Interviews und Archiven mit klar eingegrenzten Fragen. Zugleich entsteht eine methodische Grenze: Die Auswahl der untersuchten Abschnitte hängt von der Frage und den Entscheidungen des Modells ab. Selektives Nachladen ist daher nicht gleichbedeutend mit einer garantiert vollständigen Prüfung der gesamten Zeitleiste.
Der Spitzenwert stammt aus zwei langen Videotests
Der Maximalwert ist kein pauschaler Rabatt für jede Anfrage. Eine Aufschlüsselung der veröffentlichten Benchmarks beziffert den Verbrauch von Gemini 3.7 Flash bei 1H-VideoQA auf 397.600 Tokens im statischen und 47.700 im agentischen Modus; bei LVBench sank er von 300.300 auf 36.000 Tokens. Im komplexen Reasoning-Test Minerva fiel der Verbrauch dagegen von 80.900 auf 33.600 Tokens, also um 58,4 Prozent.
Auch die größten Effizienz- und Qualitätsgewinne stammen nicht aus demselben Test. Bei 1H-VideoQA stieg die Genauigkeit von 87,5 auf 88,5 Prozent, während Minerva den stärksten relativen Zuwachs zeigte: von 73,7 auf 79,0 Prozent. Die statischen Vergleichsläufe verwendeten eine niedrige Medienauflösung, ein hohes Thinking-Level und ein Frame pro Sekunde.
Wie groß die Ersparnis ausfällt, hängt deshalb vom Video, der Frage und der bisherigen Verarbeitung ab. Wer Aufnahmen bereits zuschneidet oder mit einer niedrigen festen Bildrate abtastet, startet von einer anderen Vergleichsbasis. Eine breite Frage zu visuell dichtem Material kann Gemini außerdem dazu bringen, viele Zeitfenster und Modalitäten nachzuladen.
Aus der Differenz zwischen Token- und Kostenersparnis lässt sich keine genaue Abrechnung ableiten. Google veröffentlicht dafür keine vollständige Kostenaufstellung je Benchmark. Ebenso fehlen bislang unabhängige Replikationen und ein systematischer Latenzvergleich.
Die Umschaltung gehört in das Videoobjekt
Das Feld „processing“ wird nicht global auf die gesamte Anfrage gesetzt, sondern innerhalb des jeweiligen Videoeingangs. Eine technische Prüfung des API-Ablaufs zeigt außerdem, dass mehrere Videos in derselben Anfrage unterschiedliche Modi verwenden können und dass „processing_call“ sowie „processing_result“ in den Antwortschritten eine dynamische Navigation belegen.
Damit kann eine lange Vorlesung agentisch durchsucht werden, während ein kurzer, bereits zugeschnittener Versuch in derselben Anfrage statisch verarbeitet wird. Diese Wahl pro Video ist wichtiger als ein pauschaler Wechsel: Die beiden Modi sind unterschiedliche Strategien für unterschiedliche Aufgaben.
Für einen belastbaren Vergleich sollten Entwickler nicht nur einen einzelnen Tokenwert betrachten. Relevant sind sämtliche Eingabe-, Thinking-, Werkzeug- und Ausgabetokens, die Antwortqualität, die Latenz und die tatsächlichen Kosten derselben Videos und Fragen. Andernfalls lässt sich nicht erkennen, ob der neue Modus Aufwand spart oder lediglich zwischen Verarbeitungsschritten verschiebt.
Wann agentisch und wann statisch sinnvoller ist
Bei langen Interviews oder Vorträgen mit einer konkreten Frage ist der agentische Modus die naheliegende Ausgangswahl. Er kann eine gesuchte Aussage, einen Namen oder wenige relevante Momente lokalisieren, ohne jede Sekunde gleich intensiv zu verarbeiten.
Bei schnellen Bewegungen hängt die Wahl vom Umfang des Materials ab. In einer langen Aufnahme kann Gemini zunächst ein verdächtiges Zeitfenster finden und dort genauer hinschauen. Ist der kurze Abschnitt bereits bekannt und muss mit einer kontrollierten Bildrate vollständig untersucht werden, bietet der statische Modus die besser nachvollziehbare Abdeckung.
Auch eine Suche nach gesprochenen Begriffen passt zum agentischen Verfahren, wenn die Fundstellen anschließend am Original geprüft werden. Für Compliance-, Sicherheits- oder andere lückenlose Prüfungen ist die selektive Auswahl dagegen ein Risiko: Ein nicht als relevant erkannter Abschnitt wird möglicherweise nicht in derselben Tiefe untersucht.
- Langes Interview, konkrete Frage: agentisch suchen und die Fundstelle am Original verifizieren.
- Schneller Vorgang in langer Aufnahme: agentisch lokalisieren und das gefundene Zeitfenster gezielt nachprüfen.
- Kurzer, bereits zugeschnittener Clip: statisch verarbeiten, wenn geringe Latenz oder eine feste Bildrate zählt.
- Vollständige Prüfung der Zeitleiste: eine einheitliche statische oder spezialisierte deterministische Analyse vorziehen.
Die statische Verarbeitung bleibt der Standard
Der Start betrifft eine Entwicklerfunktion der Gemini API und der Enterprise-Plattform, keine allgemein verfügbare Einstellung der Gemini-App. Google plant die Übernahme in die Gemini-App sowie später in „Ask YouTube“, hat dafür aber keine konkreten Veröffentlichungstermine genannt.
Damit steht vorerst eine zusätzliche Verarbeitungsstrategie zur Verfügung, kein universeller Ersatz für den bisherigen Modus. Belegt sind deutliche Gewinne in von Google ausgewählten Tests, besonders bei langen Videos und gezielten Fragen. Wie stabil diese Vorteile bei anderen Videoarten, Anfragen und Produktionsbedingungen ausfallen, müssen unabhängige Messungen erst zeigen.
Lesen Sie auch:
Newsletter abonnieren
Erhalten Sie die neuesten Nachrichten zu Web3, KI und Krypto direkt in Ihren Posteingang.