Agentisk video med Gemini använder upp till 88 % färre tokens – vad det innebär för AI-NAS och privat mediesökning

Gemini Agentic Video förändrar video-AI genom att låta modellen avgöra vilka ögonblick som förtjänar uppmärksamhet i stället för att bearbeta en hel video med en fast samplingsfrekvens. Google uppger att de testade arbetsflödena kan använda upp till 88 % färre token, kosta upp till 66 % mindre och förbättra kvaliteten med upp till 7 %. Den viktiga förändringen är inte bara billigare videoanalys: Gemini kan söka i tidslinjen, granska ett lovande ögonblick och sedan titta igen med högre detaljnivå när frågan kräver det.

För en NAS-enhet med flera års övervakningsmaterial, familjevideor, möten eller kreatörsarkiv betyder det inte att Gemini plötsligt kan ”titta på” hela biblioteket lokalt. Gemini körs fortfarande i Googles moln. Den mer intressanta arkitekturen är att först begränsa ett stort privat arkiv lokalt och sedan ge en multimodal modell bara de klipp eller tidsintervall som förtjänar en djupare granskning. Med andra ord blir infrastrukturproblemet att omvandla videodata i lagringsskala till kontext i frågeskala.

Vad är Gemini Agentic Video Understanding?

Gemini Agentic Video Understanding är ett videobearbetningsläge som låter Gemini aktivt navigera i en video i stället för att läsa in bildrutor med en enda fast frekvens i ett enda steg.

Google introducerade funktionen den 1 september 2026. Det ursprungliga tillkännagivandet omfattade Gemini 3.7 Flash, 3.6 Flash och 3.5 Flash-Lite; Googles aktuella utvecklardokumentation listar även Gemini 3.8 Flash bland modellerna som stöder agentisk videobearbetning.

Enligt Googles tillkännagivande om Agentic Video Understanding kombinerar modellen resonemang med inbyggda videoverktyg för att söka, skanna och granska relevanta delar av bildrutor, ljud och transkript.

Skillnaden är viktig eftersom modellen inte längre bara betraktar passivt.

Den kan ställa en intern variant av: Var ska jag leta härnäst?

Varför är det ineffektivt att titta på video med en fast frekvens på 1 FPS?

Statisk videobearbetning är enkel och förutsägbar. Gemini samplar videon med en fast bildfrekvens – som standard 1 bildruta per sekund – och bearbetar de samplade bildrutorna tillsammans med ljudet.

Det fungerar bra när videon är kort. Det blir betydligt mindre attraktivt när indata varar i en timme eller flera timmar.

STATISK VIDEOBEARBETNING

Video
  |
  v
Fast sampling med 1 FPS
  |
  v
Bildruta 1
Bildruta 2
Bildruta 3
Bildruta 4
...
  |
  v
Stort kontextfönster
  |
  v
Modell
  |
  v
Svar

Googles aktuella Gemini-dokumentation om token ger ett användbart exempel: en entimmesföreläsning som kan kräva ungefär 1,08 miljoner token vid statisk bearbetning i hög upplösning kan använda omkring 108 000 token med agentisk bearbetning, beroende på frågan och innehållet.

Den skillnaden finns eftersom de flesta frågor inte kräver varje sekund av en video.

Om användaren frågar: ”Vilken slutsats drog talaren om lagringskostnader?”, kan de användbara beläggen finnas under 90 sekunder i en presentation som är en timme lång.

Att bearbeta de övriga 58 minuterna gör inte automatiskt svaret bättre.

Varför kan fast bildsampling fortfarande missa viktiga händelser?

Tokenförbrukningen är bara halva problemet. Fast sampling kan också granska fel ögonblick.

Tänk dig en inspelning från en säkerhetskamera där någon placerar ett paket på en veranda mellan två samplade bildrutor:

00:10.0
Tom veranda
    |
    |  paketet placeras här
    |
00:11.0
Paket på verandan

En visning med 1 FPS kan fånga tillståndet före och efter händelsen, men missa själva händelsen.

Google framhäver specifikt hämtning av ögonblick på under en sekund som en av Agentic Videos nya funktioner. Modellen kan identifiera ett lovande tidsintervall och sampla om det fönstret tätare, i stället för att använda en hög bildfrekvens för hela inspelningen.

Den här typen av riktad granskning är särskilt relevant för lokalt lagrade händelser och inspelningar från säkerhetskameror, där en användbar händelse kanske bara pågår i några sekunder under flera timmars videomaterial.

Principen är enkel:

Använd mer visuell bandbredd där svaret sannolikt finns.

Hur avgör Gemini vilka delar av en video som ska granskas?

Agentic Video omvandlar videoförståelse till en iterativ process. I stället för att låsa sig vid en enda samplingsstrategi innan resonemanget börjar kan Gemini ändra hur det granskar indata allteftersom uppgiften utvecklas.

Google beskriver systemet som att det väljer vad som ska visas, i vilken hastighet och genom vilken modalitet.

ANVÄNDARFRÅGA
    |
    v
Resonera kring vilken evidens som behövs
    |
    v
Navigera i videons tidslinje
    |
    +---------------------+
    |          |          |
    v          v          v
Transkript   Ljud      Bildrutor
    |          |          |
    +----------+----------+
               |
               v
      Hittades det relevanta ögonblicket?
               |
          +----+----+
          |         |
         Nej        Ja
          |         |
          v         v
 Sök igen   Inspektera djupare
               Högre FPS
               Högre detaljnivå
                    |
                    v
                  Svar

Detta skapar en loop som mer liknar en undersökning än vanlig multimodal promptning.

Ett transkript kan först visa ungefär var ett ämne diskuteras. Därefter kan bildrutor verifiera vad som visades på skärmen. Om en snabb visuell händelse är viktig kan modellen inspektera det avsnittet med högre bildfrekvens.

Själva modaliteten blir en del av resonemangsbeslutet.

Varför kan Agentic Video använda upp till 88 % färre token?

Agentic Video sparar token genom att undvika media som inte bidrar till svaret. Det komprimerar inte hela videon med 88 %.

Googles aktuella prisuppgifter säger att tokenförbrukningen varierar eftersom den beror på vad modellen läser in dynamiskt. Frågans komplexitet, videoinnehållet och samplingsdjupet påverkar alla resultatet.

Detta är Googles resultat för de videotester de genomförde, inte fasta garantier för varje indata.

De aktuella prisuppgifterna för Gemini API säger uttryckligen att antalet token i Agentic Video beror på vilket innehåll modellen läser in, snarare än enbart på källvideons totala längd.

En svår fråga som får modellen att gå igenom många avsnitt igen kan kräva betydligt mer än en enkel fråga som efterfrågar ett specifikt ögonblick.

Varför innebär 88 % färre token inte 88 % lägre kostnad?

Agentic Video utför fortfarande resonemang och navigering. Det kan inspektera transkript, läsa in bildrutor, sampla om ett segment och skapa ett slutligt svar.

Därför är Googles högsta rapporterade tokenminskning 88 %, medan den högsta rapporterade minskningen av analyskostnaden är 66 %.

Tokenkostnaden kan omfatta flera typer av arbete:

• den ursprungliga textprompten,
• navigeringsresonemang,
• dynamiskt laddat transkript,
• bildrutor laddas för inspektion,
• ljud laddas vid behov,
• och det slutliga genererade svaret.

Målet är därför inte noll bearbetning. Det handlar om att lägga bearbetningen där den har högst informationsvärde.

Vad kan agentisk videoanalys hitta som statisk analys kan missa?

Google betonar flera arbetsbelastningar där adaptiv tidsinspektion är viktigare än att bara minska antalet token.

Dessa funktioner är särskilt relevanta för övervakningskameror, sportmaterial, handledningar, mötesarkiv, skärminspelningar och innehåll från kreatörer.

I varje fall kan det användbara ögonblicket vara mycket kort jämfört med mediets totala längd.

Är agentbaserad video alltid bättre än statisk bearbetning?

Nej. Korta videor kan fortfarande vara bättre kandidater för statisk bearbetning.

Googles optimeringsvägledning säger att statiskt läge kan ge snabbare tid till första token för latenskänsliga klipp på under ungefär fem minuter, eftersom agentbaserad bearbetning måste resonera, navigera och göra interna verktygsanrop tur och retur innan ett svar genereras.

Den användbara lärdomen är inte att ”agentbaserad bearbetning ersätter statisk videobearbetning”.

Det användbara är att denna videobearbetningsstrategi nu kan anpassas efter arbetsbelastningen.

Ersätter Gemini Agentic Video Video-RAG?

Nej. Videonavigering vid frågetillfället och beständig videohämtning löser olika problem.

Gemini Agentic Video börjar med en videoindata och avgör vilka delar av den som förtjänar närmare granskning. Ett Video-RAG-system börjar vanligtvis ett steg tidigare: det hjälper till att avgöra vilka videor eller segment från en mycket större samling som över huvud taget ska skickas till den multimodala modellen.

Skillnaden stöds av forskning om förståelse av långa videor.

Forskningen om LongVideoBench och resonemang över videor som är flera timmar långa omfattar 3 763 videor och 6 678 människomärkta frågor inom 17 kategorier. Författarna beskriver kärnutmaningen som att hämta och resonera över detaljerad multimodal information från långa indata.

Den formuleringen är viktig: hämta och resonera, inte bara ”sätta in videon i sitt sammanhang”.

Hur skiljer sig Video-RAG från att helt enkelt ge Gemini en lång video?

Video-RAG blir särskilt användbart när samlingen är mycket större än en enda inspelning.

VideoRAG-forskning om extremt långa videosamlingar undersöker detta problem i ett benchmarktest med mer än 160 videor som sammanlagt omfattar över 134 timmar.

Det föreslagna systemet kombinerar textbaserad kunskapsförankring med multimodal återsökning i stället för att förvänta sig att ett enda modell-anrop ska läsa in hela biblioteket.

Detta antyder en användbar arkitektur i två steg:

STEG 1
BESTÄNDIG VIDEOÅTERSÖKNING

Videoarkiv
     |
     v
Transkriptioner
Metadata
Scener
OCR
Embeddings
Tidsstämplar
     |
     v
Möjliga videor
Möjliga tidsintervall

          |
          v

STEG 2
AGENTBASERAD VIDEOGRANSKNING

Valt segment
     |
     v
Navigera
Titta igen
Ändra FPS
Granska ljud / transkription / bildrutor
     |
     v
Djupt svar

De två lagren kompletterar varandra.

Återsökningen avgör vilken video som ska granskas; agentbaserad videoförståelse avgör hur djupt den ska granskas.

Varför bör stora videobibliotek söka innan de genomgår djup AI-analys?

En personlig medieserver kan innehålla 20 TB video. Ett säkerhetsarkiv kan växa sig mycket större. Ändå kan användarens fråga i slutändan bero på åtta sekunders videomaterial.

Den skillnaden förändrar arkitekturen.

Den multimodala modellen ska inte behöva bli index för hela arkivet.

I stället:

50 TB VIDEOARKIV
        |
        v
Sökbart lokalt index
        |
        v
20 möjliga videor
        |
        v
3 möjliga tidsintervall
        |
        v
45 sekunder relevant video
        |
        v
Djup multimodal slutledning

De exakta siffrorna är illustrativa, men principen kan skalas.

Infrastrukturproblemet består i att omvandla video i lagringsskala till kontext i frågeskala.

När arkivet växer blir detta urvalslager viktigare, inte mindre. Vår guide till AI-NAS-hårdvara för indexering, mediebearbetning och stora lokala datamängder förklarar varför lagringen, den aktiva SSD-nivån, nätverket och AI-beräkningskapaciteten bör dimensioneras som separata resurser i stället för att behandlas som ett enda generiskt AI-krav.

Hur skulle en video-pipeline för AI-NAS kunna se ut?

En AI-NAS som indexerar och förstår lagrade medier behöver inte köra Gemini själv för att bidra med användbar intelligens. Den kan hantera det beständiga och repetitiva arbetet närmast originalmedierna.

En praktisk hybridarkitektur kan se ut så här:

NAS-VIDEOARKIV
Originalvideor
        |
        v
LOKAL BEARBETNING
Filmetadata
Transkriptioner
Scengränser
Tidsstämplar
OCR
Miniatyrbilder
Objekttaggar
Embeddings
        |
        v
LOKAL SÖKNING
        |
        v
Kandidatvideo
Kandidatintervall
        |
        v
POLICY / ANVÄNDRBESLUT
        |
        +--------------------+
        |                    |
        v                    v
LOKAL MODELL          MOLNMODELL
                           |
                           v
                  Gemini Agentic Video
                           |
                           v
                  Djupgående videoförståelse

Detta är ett arkitekturmönster, inte en tillkännagiven Google-integration med NAS-produkter.

Fördelen är att lagring, indexering och modellens slutledning inte längre behöver ske på samma maskin.

En personlig moln-NAS med flera enheter, som ZimaCube 2, kan förbli det beständiga medielagret. En lokal CPU eller GPU kan generera metadata. En molnbaserad multimodal modell kan reserveras för frågor där dess bättre temporala slutledningsförmåga motiverar överförings- och API-kostnaden.

I en uppdelad konfiguration kan en kompakt lokal indexerings- och förbehandlingsserver som ZimaBoard 2 även köra lagringsnära tjänster utan att den kraftfulla inferensmaskinen behöver vara aktiv för varje bakgrundsjobb.

Bör videometadata och AI-index finnas bredvid originalfilerna?

Det måste de inte, men om det sökbara lagret hålls nära arkivet kan flera delar av ett privat mediearbetsflöde förenklas.

Stabila sökvägar är också viktiga. Om indexet anger att en händelse inträffade i camera-02/2026-09-01.mp4 vid 18:41:12 behöver hämtningssystemet ett tillförlitligt sätt att hitta originalfilen senare.

För mediesamlingar som ska bevaras länge är indexet och arkivet därför nära besläktade, även när de tekniskt sett lagras i separata databaser eller volymer.

Samma lagringsuppdelning förekommer i självhostade foto- och videosystem. Till exempel skiljer vår maskinvaruguide för Immich för foto- och videobibliotek mellan stora mängder originalfiler och latenskänsliga arbetsbelastningar för databaser, miniatyrbilder, maskininlärning och videobearbetning.

Vad är en het, varm och kall video-AI-arkitektur?

Stora videoarkiv behöver inte heller ha alla data lagrade på samma bearbetningsnivå.

En användbar design delar upp lagringen i tre nivåer:

KALL
20 TB originalmedier
        |
        v
VARM
Sökbara metadata + index
        |
        v
HET
Relevant klipp på 10–60 sekunder
        |
        v
AI-MODELL

Den här arkitekturen koncentrerar den kostsamma analysen till en mycket liten del av originaldata.

Det undviker också att samma grundläggande metadata behöver byggas om varje gång en ny fråga ställs.

De varma och heta nivåerna behöver vanligtvis mycket mindre kapacitet än det ursprungliga videoarkivet, men de kan dra nytta av snabb SSD-lagring för databaser, miniatyrbilder, embeddings, index och tillfälliga klipp. På en utbyggbar hemserver kan PCIe-till-NVMe-SSD-expansion för aktiva AI-index och cache hålla dessa arbetsdata åtskilda från storskalig HDD-lagring.

Kan Gemini Agentic Video analysera privat NAS-videomaterial utan att ladda upp det?

Nej. Gemini Agentic Video är i sig en molnfunktion, så videoinnehåll som Gemini analyserar måste bli tillgängligt för Googles tjänst.

Google stöder för närvarande flera vägar för videoinmatning, inklusive uppladdade medier, registrering via Cloud Storage, infogade data för små inmatningar och offentliga YouTube-URL:er.

Dokumentationen om Geminis videobearbetning rekommenderar Files API för många större eller återanvändbara medieinmatningar.

Filer som laddas upp via Gemini Files API lagras i 48 timmar innan de raderas automatiskt, enligt Googles aktuella dokumentation.

Det är något helt annat än att säga att videomaterialet stannar i hemnätverket.

Googles aktuella dokumentation om API-priser för betalda nivåer anger också att data från betalda nivåer som standard inte används för att förbättra företagets produkter. Utvecklare bör ändå utvärdera krav på lagringstid, loggning, regional lagring, organisatoriska riktlinjer och efterlevnad innan känsliga inspelningar skickas till en extern tjänst.

Hur kan ett privat videoarkiv använda moln-AI mer selektivt?

Ett hybrid arbetsflöde kan minska mängden privat medieinnehåll som behöver extern bearbetning.

Det första steget kan förbli lokalt:

• identifiera filen,
• söka i transkriptet,
• filtrera efter kamera eller datum,
• upptäcka rörelse eller scenbyten,
• hämta kandidatens tidsstämplar,
• och skapa ett kort kandidatklipp.

Den här typen av uppdelning följer samma princip som diskuteras i vår guide till att hålla AI-bearbetning nära privat data, i anslutning till lagringen: NAS-enheten kan förbli ett stabilt datalager även när tyngre inferens sker någon annanstans.

Först därefter avgör arbetsflödet om resonemang i molnet behövs.

PRIVAT VIDEOARKIV
        |
        v
LOKAL SÖKNING + FILTRERING
        |
        v
Relevant segment hittades
        |
        v
Kräver den här frågan
starkare multimodalt resonemang?
        |
    +---+---+
    |       |
   Nej      Ja
    |       |
    v       v
 Lokalt   Godkänt klipp
 svar       |
              v
        Gemini Agentic Video

Detta gör inte Gemini lokalt. Det gör datagränsen snävare.

I stället för att behandla ett helt privat arkiv som potentiellt molnkontext kan systemet avgöra vilket medieinnehåll som förtjänar att eskaleras.

När bör videoanalys stanna lokalt i stället för att skickas till Gemini?

Det rätta svaret beror på integritet, svårighetsgrad, omfattning, maskinvara och hur mycket multimodalt resonemang uppgiften kräver.

För kameratunga installationer är beslutet särskilt viktigt eftersom kontinuerlig inspelning och detektering i realtid skapar olika arbetsbelastningar. Vår guide till privat NVR-lagring och lokal videointelligens behandlar lagrings- och detekteringsdelen som körs ständigt separat från multimodalt resonemang i molnet.

Målet är inte att maximera vare sig lokal eller molnbaserad bearbetning.

Det handlar om att använda det billigaste och säkraste lagret som klarar av att lösa varje del av uppgiften.

Förändrar Gemini Agentic Video vad en AI-NAS bör göra?

Ja – men inte genom att förvandla NAS-enheten till en maskin som måste förstå varje bildruta med den största möjliga multimodala modellen.

Den mer skalbara rollen är att göra mediesamlingen navigerbar med AI.

Det innebär att originalen bevaras samtidigt som följande upprätthålls:

• sökbara transkript,
• tidsjusterade metadata,
• scenindex,
• OCR,
• embeddingar,
• miniatyrbilder,
• behörigheter,
• och tillförlitliga länkar tillbaka till källmaterialet.

Detta är den bredare roll som beskrivs av en AI-NAS som ett lokalt intelligenslager för lagrade data: lagringen förblir grunden, medan index och AI-tjänster gör lagringen enklare att söka i, förstå och återanvända.

När det lagret väl finns blir resonemangsmodellen utbytbar.

I dag kan det vara Gemini Agentic Video. Ett annat arbetsflöde kan använda en lokal multimodal modell. Ett framtida system kan kombinera flera modeller beroende på integritet, kostnad eller exakthet.

Arkivet ska inte behöva byggas om för varje modell.

Detta är samma arkitektoniska lärdom som växer fram inom andra former av AI-data: modellen behöver inte all användarens information. Den behöver den minsta korrekta informationsbiten för den aktuella uppgiften.

För text kan det innebära en handfull hämtade dokument.

För agentminne kan det innebära en liten uppsättning strukturerade kunskapsfiler.

För video kan det innebära tolv sekunder gömda bland femtio terabyte inspelningar.

Gemini Agentic Video är viktigt eftersom det för multimodalt resonemang närmare den modellen. I stället för att behandla video som ett enda enormt kontextblock kan systemet aktivt avgöra var uppmärksamheten är värd att lägga.

För stora privata mediebibliotek är nästa steg ännu viktigare:

den multimodala modellen bör inte vara indexet. Den bör vara utredaren som anländer efter att indexet har begränsat sökningen.

Vanliga frågor: Gemini Agentic Video, AI-NAS och privat mediesökning

Vad är Gemini Agentic Video Understanding?

Det är ett läge för videobearbetning i Gemini som dynamiskt navigerar i videons tidslinje i stället för att bearbeta alla samplade bildrutor i en enda statisk genomgång. Modellen kan selektivt granska transkript, ljud och visuella bildrutor samt öka samplingsdetaljen när ett lovande avsnitt behöver analyseras närmare.

Hur många färre tokens använder Gemini Agentic Video?

Google rapporterar upp till 88 % färre tokens i sina testade arbetsbelastningar för långformatsvideo. Detta är ingen fast minskning. Den faktiska tokenanvändningen beror på videon, frågans komplexitet och hur mycket innehåll modellen väljer att granska.

Betyder 88 % färre tokens att Gemini Agentic Video är 88 % billigare?

Nej. Google rapporterar kostnadsminskningar för analys på upp till 66 %. Agentisk bearbetning använder fortfarande tokens för navigering, resonemang, dynamiskt inläst videoinnehåll och det slutliga resultatet.

Är Gemini Agentic Video mer exakt än statisk videobearbetning?

Google rapporterar kvalitetsförbättringar på upp till ungefär 7 % i de testade riktmärkena. Fördelen är särskilt relevant när modellen behöver hitta kortvariga händelser eller specifika bevis i långa inspelningar.

Vilken bildfrekvens använder Gemini normalt för video?

Geminis standardläge för statisk videobearbetning samplar visuella bildrutor med 1 FPS. Utvecklare kan konfigurera andra frekvenser, medan Agentic Video dynamiskt kan ändra hur tätt det granskar olika avsnitt.

Är Agentic Video bättre för korta klipp?

Inte alltid. Googles riktlinjer anger att statisk bearbetning kan ge snabbare tid till första token för korta videor med känslig svarstid, eftersom agentläget lägger till navigerings- och resonemangssteg innan svaret ges.

Ersätter Gemini Agentic Video Video RAG?

Nej. Video RAG kan indexera och hämta kandidater från ett stort beständigt arkiv. Agentic Video kan sedan undersöka en vald video eller ett valt segment mer ingående. Hämtningen avgör vad som ska granskas; agentbaserat videoresonemang avgör hur det ska granskas.

Kan Gemini Agentic Video köras direkt på en NAS?

Nej. Gemini Agentic Video är för närvarande en Google-hostad funktion. En NAS kan lagra och indexera originalmediet, men innehåll som skickas till Gemini måste göras tillgängligt för Googles molntjänst.

Hur länge behåller Gemini uppladdade videofiler?

Googles aktuella dokumentation för Files API anger att uppladdade filer lagras i 48 timmar. Utvecklare som arbetar med känsligt videomaterial bör läsa de senaste policyerna för API:et, loggning, lagringstid och dataanvändning innan de laddar upp medier.

Vad bör en AI-NAS lagra utöver originalvideorna?

Ett sökbart medielager kan innehålla transkriptioner, tidsstämplar, miniatyrbilder, OCR-text, scenövergångar, objekt- eller händelsetaggar, embeddingar och andra metadata som gör att ett AI-system kan hämta relevanta klipp utan att bearbeta hela arkivet upprepade gånger.

Behöver AI-index för video SSD- eller NVMe-lagring?

Alla videoarkiv behöver inte NVMe för sitt originalmaterial. Omfattande videomaterial kan ligga kvar på lagring med fokus på kapacitet, medan databaser, miniatyrbilder, embeddingar, index och tillfälliga arbetsklipp som används ofta kan dra nytta av ett snabbare SSD- eller NVMe-lager. Den lämpliga lagringslayouten beror på bibliotekets storlek, indexeringsaktivitet och samtidiga arbetsbelastningar.

Bör övervakningsmaterial analyseras lokalt eller i molnet?

Känsligt videomaterial lämpar sig väl för lokal filtrering, indexering och grundläggande analys. Molnbearbetning kan vara användbar för svårare multimodala frågor när användaren eller organisationen uttryckligen godkänner extern dataöverföring och tillämpliga lagringspolicyer.

Vilken är den bästa arkitekturen för ett mycket stort AI-videobibliotek?

En skalbar design separerar originalarkivet, ett beständigt sökbart metadatalager, en liten aktiv arbetsmängd med kandidatklipp och den multimodala resonemangsmodellen. Detta omvandlar en stor lagrad samling till en mycket mindre mängd frågerelevant kontext.