Google vừa giới thiệu tính năng hiểu video kiểu tác tử trên các mô hình Gemini mới nhất, cho phép AI tự chọn xem đoạn nào, với tốc độ nào, dựa vào hình ảnh, âm thanh hay lời thoại, thay vì quét đều cả video như trước. Theo Alphabet (GOOGL), cách làm này giúp giảm tới 66% chi phí phân tích, giảm tới 88% lượng dữ liệu xử lý, đồng thời tăng thêm 7% độ chính xác.

Về bản chất, Gemini vận hành theo một vòng lặp suy luận: mô hình tự gọi công cụ nội bộ để lấy đúng đoạn video cần thiết, nhờ đó có thể định vị chính xác khoảnh khắc chưa tới một giây trong video dài nhiều giờ. Khả năng này giúp ích cho việc dựng phim, phát hiện bất thường và đếm chính xác số lần một hành động lặp lại, một bước tiến trong lĩnh vực AI tạo sinh.

Tính năng này đã dùng được ngay trên ba mô hình Gemini 3.7 Flash, 3.6 Flash và 3.5 Flash-Lite, thông qua Gemini API trên Google AI Studio và Gemini Enterprise Agent Platform, không tính thêm phí. Google cho biết sẽ sớm đưa tính năng này lên ứng dụng Gemini và công cụ Ask YouTube trên YouTube trong vài tháng tới, mở rộng khả năng tìm kiếm nội dung video trong lĩnh vực công nghệ cho hàng tỷ người dùng.