أعلنت Google إطلاق قدرة «الفهم الوكيل للفيديو» (Agentic Video Understanding) عبر Gemini 3.7 Flash وGemini 3.6 Flash وGemini 3.5 Flash-Lite، مع إتاحتها فوراً لتحليل الملفات المرفوعة ومقاطع YouTube من خلال Gemini API في Google AI Studio وGemini Enterprise Agent Platform. وتقول الشركة إن الميزة يمكن أن تخفض استهلاك الرموز حتى 88%، وتقلل تكاليف التحليل حتى 66%، وتحسن الدقة بما يصل إلى 7% في الاختبارات المعيارية.
يستهدف التحديث مشكلة أساسية في تحليل الفيديو الطويل: المعالجة التقليدية تتعامل مع المقطع وفق معدل إطارات ثابت، يبلغ افتراضياً إطاراً واحداً في الثانية ويمكن تعديله عبر واجهة API. هذا الأسلوب قد يفوّت لحظات سريعة أو تفاصيل لا تظهر في العينة المختارة، بينما يؤدي رفع معدل الإطارات إلى زيادة عدد الرموز والتكلفة.
كيف يعمل النمط الوكيل؟
بدلاً من ابتلاع تدفق الفيديو بالكامل بطريقة ثابتة، يستطيع Gemini تحديد ما ينبغي مشاهدته، والسرعة المناسبة للفحص، والوسيط الأكثر فائدة للمهمة: الإطارات أو الصوت أو النص المفرغ. ويستدعي النموذج أداة داخلية لتحميل الأجزاء ذات الصلة من ملف الفيديو ضمن حلقة موجهة بالهدف، ثم يعيد فحص نوافذ زمنية محددة عند الحاجة.
توضح Google أن المطورين كانوا قادرين على بناء بعض هذه الآليات يدوياً، لكن نقل عملية البحث والفحص الديناميكي إلى النموذج يقلل الجهد البرمجي المطلوب. ولا تفرض الميزة رسماً إضافياً؛ إذ تستخدم أسعار رموز Gemini API القياسية، ويكفي ضبط خيار المعالجة على agentic في إعدادات API.
ما الذي يتغير عملياً للمطورين؟
تقول Google إن المكاسب تظهر بوضوح أكبر مع المحتوى الطويل، من أدلة إرشادية مدتها 10 دقائق ومحاضرات مدتها 90 دقيقة إلى تسجيلات تمتد لساعات. وتشمل الاستخدامات التي تعرضها الشركة:
- استرجاع لحظات أدق من ثانية، بما في ذلك تغيّرات الحالة وحدود القطع السريعة اللازمة للتحرير الآلي.
- البحث عن معلومة محددة داخل فيديو طويل أو تسجيل متعدد الساعات من دون استهلاك ملايين الرموز.
- اكتشاف الحالات الشاذة عبر إعادة أخذ عينات من النوافذ الزمنية المهمة بمعدل إطارات أعلى.
- عدّ الحركات والأجسام المتكررة بدقة أكبر عبر تتبعها زمنياً.
وبحسب اختبارات Google، يقدم Gemini 3.7 Flash مع الفهم الوكيل أفضل جودة إجمالية وأفضل مزيج بين الجودة والتكلفة بين النماذج التي اختُبرت، ويقع عند ما تصفه الشركة بجبهة الكفاءة بين الدقة والتكلفة. وتظل هذه النتائج أرقاماً معلنة من الشركة، وليست ضماناً لأداء متطابق في كل نوع من الفيديو أو كل مهمة.
لماذا يهم هذا الخبر؟
التغيير الفعلي ليس إضافة نموذج جديد، بل تحويل تحليل الفيديو من معالجة شاملة ثابتة إلى اختيار تكيفي للأجزاء والإشارات. وقد يفيد ذلك التطبيقات التي تعتمد على البحث داخل أرشيفات طويلة أو رصد أحداث سريعة، لأن تقليل الرموز لا يأتي هنا من تجاهل الفيديو بالكامل، بل من توجيه الفحص إلى المقاطع التي يرى النموذج أنها مرتبطة بالسؤال.
في المقابل، يظل على المطورين تقييم دقة الاختيار الوكيل في السيناريوهات التي تكون فيها اللحظة المهمة نادرة أو غير واضحة، كما أن المصدر لا يقدم تفاصيل مستقلة عن المنهجية الكاملة للاختبارات أو قيم التكلفة المطلقة. لذلك ينبغي قراءة نسب التحسن بوصفها نتائج معيارية معلنة من Google، لا بديلاً عن اختبار الميزة على محتوى كل تطبيق.
التوفر وخطة التوسع
الميزة متاحة حالياً عبر Gemini API في Google AI Studio وGemini Enterprise Agent Platform للنماذج الثلاثة المذكورة. وتعتزم Google طرح تحسينات الكفاءة والجودة لجميع مستخدمي تطبيق Gemini قريباً عبر نماذج Flash وFlash-Lite، كما ستستخدمها خلال الأشهر المقبلة في ميزة «Ask YouTube» على صفحة مشاهدة الفيديو، بهدف تقديم إجابات أكثر جودة تستند إلى الصور المرئية في المقطع.
كيف أعددنا هذا الخبر؟
اعتمد الخبر على المصدر الأصلي الموضح أعلاه. قد نستخدم أدوات آلية للمساعدة في الاستخراج والتصنيف والصياغة،
لكن النشر يخضع لقواعد تمنع المحتوى المكرر والقصير أو الروتيني منخفض القيمة.
اقرأ سياستنا التحريرية.