Gemini durchsucht Videos jetzt agentisch
Google DeepMind lässt Gemini selbst entscheiden, welche Videostellen es ansieht. Laut Anbieter sinken die Token um bis zu 88 Prozent.
Illustration: Ein Lichtband im abgedunkelten Schnittraum, in dem nur wenige Punkte hell aufleuchten - Sinnbild für eine gezielte statt vollständige Sichtung.
Gemini kann Videos seit dem 1. September 2026 agentisch auswerten: Das Modell wählt selbst aus, welchen Abschnitt es öffnet, mit welcher Bildrate es ihn abtastet und ob es Bild, Ton oder Transkript nutzt.
Auf einen Blick
- Angekündigt am 1. September 2026 von Google DeepMind; als Autoren des Blogposts stehen Rohan Doshi und Mario Lučić.
- Unterstützt werden Gemini 3.7 Flash, Gemini 3.6 Flash und Gemini 3.5 Flash-Lite über die Gemini API.
- Herstellerangabe gegenüber statischer Verarbeitung: bis zu 88 Prozent weniger Token, bis zu 66 Prozent geringere Kosten, bis zu 7 Prozent mehr Qualität.
- Freigeschaltet wird der Modus über den API-Parameter processing mit dem Wert agentic, zu den üblichen Token-Preisen.
- Als Bezugspunkt nennt Google den Benchmark LongVideoBench; eine unabhängige Nachmessung liegt nicht vor.
Google DeepMind hat am 1. September 2026 eine agentische Videoauswertung für Gemini vorgestellt. Das Modell entscheidet dabei selbst, welchen Abschnitt eines Videos es lädt, mit welcher Bildrate es ihn abtastet und ob es Einzelbilder, Ton oder Transkript heranzieht.
Vom festen Bildtakt zur gezielten Suche
Bisher liest Gemini ein Video statisch ein: mit fester Bildrate, standardmäßig ein Bild pro Sekunde, per API veränderbar. Bei einem mehrstündigen Mitschnitt bekommt damit jede Sekunde gleich viel Aufmerksamkeit - auch die, in der nichts passiert.
Im agentischen Modus läuft stattdessen eine Schleife. Das Modell ruft ein internes Werkzeug auf, das nur den gerade benötigten Teil der Datei lädt. Eine schnelle Bewegung kann es erneut ansehen, dann mit höherer Bildrate. Google nennt als Anwendungsfälle das Auffinden einzelner Momente im Sekundenbereich für den automatisierten Schnitt, die Suche nach einer einzelnen Stelle in mehrstündigem Material, das Erkennen von Auffälligkeiten und das Zählen von Objekten oder Handlungen über die Zeit.
Die Zahlen stammen vom Anbieter
Gegenüber der statischen Verarbeitung nennt Google bis zu 88 Prozent weniger Token, bis zu 66 Prozent geringere Kosten und bis zu 7 Prozent mehr Qualität. Für den Qualitätswert verweist der Blogpost auf LongVideoBench, einen Benchmark für das Verständnis langer Videos.
Alle drei Werte sind ausdrücklich Obergrenzen, keine Durchschnitte. Der Vorteil falle bei langem Material besonders deutlich aus, schreibt Google - für kurze Clips nennt der Beitrag keine eigene Zahl. Ein vollständiges Messprotokoll, die Liste der geprüften Videos oder Streubreiten veröffentlicht das Unternehmen nicht.
Wo die Funktion läuft
Verfügbar ist sie zunächst in der Gemini API über Google AI Studio sowie über die Gemini Enterprise Agent Platform, sowohl für hochgeladene Videos als auch für YouTube-Videos. Entwicklerinnen und Entwickler setzen dafür in der Konfiguration den Parameter processing auf den Wert agentic; das Codebeispiel im Blogpost verwendet Gemini 3.7 Flash. Abgerechnet wird zu den regulären Token-Preisen, einen Aufschlag für die Funktion gibt es nicht.
Unterstützt werden Gemini 3.7 Flash, Gemini 3.6 Flash und Gemini 3.5 Flash-Lite. Für die Gemini-App kündigt Google eine schrittweise Freigabe an, für YouTube die Funktion Ask YouTube auf den Video-Seiten. Ein Termin steht für beides nicht im Beitrag.
Was diese Meldung nicht belegt
Für diesen Artikel lag genau eine Quelle vor: die Ankündigung von Google selbst. Es gibt bislang keine unabhängige Prüfung der genannten Einsparungen und keine Berichte aus dem Praxiseinsatz. Ob 88 Prozent weniger Token auch bei anderem Material erreicht werden, lässt sich aus dem Blogpost nicht ableiten.
Auch technisch ist die Lage dünner, als sie wirkt: Der ursprünglich verbreitete Link auf deepmind.google leitet auf blog.google weiter - dieselbe Absenderin, nicht eine zweite Redaktion. Diese Meldung ist damit eine Herstellermitteilung, und sie wird hier als solche behandelt.
Häufige Fragen
Was bedeutet agentische Videoauswertung bei Gemini?
Das Modell verarbeitet ein Video nicht mehr in festem Takt, sondern lädt über eine interne Werkzeugschleife gezielt einzelne Stellen - und wählt dabei Bildrate und Modalität, also Bild, Ton oder Transkript, selbst aus.
Wie aktiviere ich den agentischen Modus in der Gemini API?
In der API-Konfiguration wird der Parameter processing auf den Wert agentic gesetzt. Das Beispiel im Blogpost von Google nutzt dafür Gemini 3.7 Flash; unterstützt sind außerdem Gemini 3.6 Flash und Gemini 3.5 Flash-Lite.
Kostet die agentische Videoauswertung extra?
Nein. Google gibt an, dass die übliche Token-Abrechnung der Gemini API gilt und keine zusätzliche Gebühr für die Funktion anfällt. Nach Herstellerangabe sinken die Kosten gegenüber statischer Verarbeitung um bis zu 66 Prozent.
