Google lance la compréhension vidéo agentique avec Gemini

Google a annoncé le lancement de la compréhension vidéo agentique sur ses derniers modèles Gemini, notamment les versions 3.7 Flash, 3.6 Flash et 3.5 Flash-Lite. Cette fonctionnalité remplace le traitement vidéo statique traditionnel, qui ingère les flux à un taux d'images fixe, par une approche dynamique et orientée vers des objectifs précis. Le modèle utilise désormais ses outils natifs pour naviguer activement entre les images, l'audio et les transcriptions. Il identifie et analyse uniquement les segments pertinents, permettant ainsi de réaliser des tâches complexes comme la récupération de moments précis à la sous-seconde, la détection d'anomalies ou le comptage exact d'objets. Les benchmarks confirment des gains d'efficacité significatifs. Comparé aux méthodes statiques classiques, ce nouveau processus réduit la consommation de tokens de jusqu'à 88 % et les coûts d'analyse de 66 %, tout en améliorant la précision de 7 %. Ces améliorations sont particulièrement marquées sur les vidéos longues, où les développeurs doivent souvent arbitrer entre des dépenses élevées et la perte d'informations cruciales. Parmi les modèles compatibles, le Gemini 3.7 Flash offre le meilleur équilibre entre qualité et rentabilité, se positionnant comme la solution la plus performante lors des tests. Disponible immédiatement via l'API Gemini, la fonctionnalité s'intègre dans Google AI Studio et la plateforme Gemini Enterprise Agent Platform. Elle prend en charge l'analyse de vidéos téléchargées ainsi que celle des contenus YouTube. Sur le plan technique, ce système repose sur une boucle agentique qui automatise la sélection des modalités et la vitesse de lecture. Cette automatisation réduit considérablement la charge de développement, permettant aux ingénieurs de se concentrer sur la logique métier plutôt que sur la gestion manuelle du flux multimédia. Cette évolution positionne les modèles Gemini comme une solution plus économique et plus robuste pour le traitement à grande échelle de vidéos de grande envergure.