Google Gemini API 视频理解文档明确将 Gemini 4 Argon 列为支持 Agentic video understanding 的模型：设置视频输入的 processing: "agentic" 后，模型会按提示动态探索视频时间线，按需加载转录、画面或音频，并用 processing_call 与 processing_result step 暴露处理轨迹。页面称长视频的 Agentic 模式最多可比静态模式少用 88% tokens，但这是页面对 Agentic 处理的通用说明，不是 Argon 的独立实测；页面没有公开 Argon 专属完整调用代码或质量样本。
适合的任务：Gemini 4 Argon 的长视频（超过 5–10 分钟）、大海捞针式检索、定位特定时间点或主题，以及不需要把整段视频全部放入上下文的目标查询。
不适合的任务：短视频（少于 5 分钟）、需要覆盖整段视频的宽泛摘要、对延迟敏感的请求，或要求全片逐帧精确检查的任务；Agentic 导航在短片或宽泛查询中可能增加首 token 延迟和总 token 使用。
适用的模型版本：Gemini 4 Argon；页面同时将 Gemini 3.8 Flash、3.6 Flash 和 3.5 Flash Lite 列为支持模型，本文不把其他型号示例改写成 Argon 代码。
适用的客户端、Agent 或 API：Gemini API 的视频输入与 Interactions API；长视频或复杂提示可使用 stream=True 或 background=True。
推荐的推理档位和参数：在视频输入项设置 processing: "agentic"；长时间处理使用流式或后台执行。页面未为 Argon 单独指定完整请求 schema、推理档位或采样参数。
模型范围：Gemini 4 Argon
视频处理：processing: "agentic"
适用查询：长视频、指定时间点、指定主题、大海捞针式检索
长任务：stream=True 或 background=True
结果校验：interaction.steps 中存在 processing_call 和 processing_result
时间戳：MM:SS，例如 01:15这是依据页面明确字段整理的配置清单，不是页面提供的 Argon 完整请求体或可直接运行的 SDK 代码。页面中的 Agentic 示例代码使用其他型号，本文不将其改名为 gemini-4-argon。
页面说明 Agentic 处理会在 steps 数组中加入两类 step：processing_call 表示模型请求某段视频或音频转录，processing_result 表示与 call_id 关联的加载结果。它们会与启用摘要时的 thought step 交错出现，并位于最终 model_output step 之前；可以用于 UI 进度轨迹，但不要求客户端回传。
{
"steps": [
{
"type": "thought",
"signature": "sig_thought_1",
"summary": [
{
"type": "text",
"text": "Inspecting transcript for key discussion topics..."
}
]
},
{
"type": "processing_call",
"id": "call_01",
"signature": "sig_call_01"
},
{
"type": "processing_result",
"call_id": "call_01",
"signature": "sig_result_01"
},
{
"type": "thought",
"signature": "sig_thought_2",
"summary": [
{
"type": "text",
"text": "Loading visual frames to verify slide content..."
}
]
},
{
"type": "processing_call",
"id": "call_02",
"signature": "sig_call_02"
},
{
"type": "processing_result",
"call_id": "call_02",
"signature": "sig_result_02"
},
{
"type": "thought",
"signature": "sig_thought_3",
"summary": [
{
"type": "text",
"text": "Synthesizing answer from gathered evidence..."
}
]
},
{
"type": "model_output",
"content": [
{
"type": "text",
"text": "The three main arguments presented in the lecture are..."
}
]
}
]
}先按视频长度和查询类型分类：短片、全片摘要和延迟敏感请求默认采用 static；长视频、指定片段和大海捞针式问题才考虑 Agentic。
对 Gemini 4 Argon 的视频输入设置 processing: "agentic"。页面称 Agentic 会先检查转录，再按需加载相关视觉片段；也可能按需加载音频。
长视频或复杂多步提示使用 stream=True 或 background=True，以保持连接、暴露中间推理步骤并降低连接或认证超时风险。
检查 interaction.steps：出现 processing_call 和 processing_result 才能证明该 interaction 动态导航了视频时间线；最终结果仍应读取 model_output。
在提示中用 MM:SS 指定视频时间点，例如 01:15；页面还给出在一段视频与文字组合时将文字 prompt 放在视频输入项之后的规则。
多轮对话使用 stateful 模式时，通过 previous_interaction_id 保留视频上下文；使用 stateless 模式的 step_list 时，必须把响应中的全部 steps 放入下一次请求。
不要在 stateless 多轮中省略 processing_call 和 processing_result：当前可能不会返回 API 错误，但视频上下文会丢失，后续问题的回答质量会明显下降；回传的 steps 也会计入输入 token。
不要把静态模式专属的 start_offset、end_offset 或自定义 fps 设置当作 Agentic 配置；页面明确说这些视频处理定制项只支持 static 模式。
页面顶部显示：Gemini 4 Argon is now available. Try it out.
页面称所有模型默认使用 static 处理，即按 1 FPS 抽帧；Gemini 4 Argon、Gemini 3.8 Flash、Gemini 3.6 Flash 和 Gemini 3.5 Flash Lite 同时支持 opt-in 的 Agentic video understanding。
Agentic 模式会根据 prompt 动态导航视频时间线，只加载所需内容。页面表格称长内容最多可提高 88% token efficiency、质量约提高 7%；这是页面对支持 Agentic 的模型集合给出的通用模式说明，不能作为 Argon 独立测评结果。
页面建议 Agentic 用于超过 5–10 分钟的长视频、特定时刻或主题查询；它先检查转录，再按需加载相关视觉片段，视频输入 token 使用量最多可降低 88%，而不填满上下文窗口。
Agentic 的 token 使用取决于内容复杂度和导航策略：导航推理计入 total_thought_tokens，按需加载的画面、音频和转录计入 total_tool_use_tokens。短片（少于 5 分钟）或宽泛查询可能因内部推理和工具往返增加 TTFT 和总 token 使用。
长视频默认使用低媒体分辨率时，1M 上下文窗口最多可处理 3 小时；高媒体分辨率下最多 1 小时。该能力描述不是 Argon 专属时长保证。
Agentic 处理后，processing_call 由模型请求视频片段或音频转录，processing_result 通过 call_id 关联加载结果；两者会先于最终 model_output，可用于显示进度轨迹。
视频内时间点使用 MM:SS 格式，例如 01:15。页面还提示快速动作可能因 static 的 1 FPS 抽样而遗漏细节。
对需要较长处理时间或复杂多步推理的视频，页面建议使用 streaming 或 background execution。同步非流式请求在高负载后端重试时可能超过连接或认证 token 的有效窗口，表现为意外的 401 Unauthorized 或超时。
页面中的 Agentic Python、JavaScript 和 REST 示例均使用 gemini-3.8-flash；本文未将这些示例改写成 Argon，也未把示例中的提问或输出当作 Argon 实测结果。
页面明确点名 Gemini 4 Argon 支持 Agentic video，但页面的 88% token 节省和约 7% 质量提升是 Agentic 模式的通用文档描述，不是对 Argon 单独运行的实测。
Agentic 是 opt-in；所有模型默认 static。不能因为 Argon 支持 Agentic 就声称每个视频、每种查询都会节省 88% tokens。
页面没有公开 Argon 专属完整 SDK/REST 请求体、样本视频、固定 prompt、运行次数、响应质量样本或成本数据；本文不补写这些内容。
processing_call 和 processing_result 证明模型进行了动态视频导航，不等于输出答案正确，也不构成独立验证。
start_offset、end_offset 和 fps 的页面示例属于 static 模式；不能把它们与 Agentic 混用或包装成 Argon 专属参数。
页面正文还列出其他 Gemini 型号和示例代码；本文只提取与 Argon 支持范围直接相关的配置原则，不把其他型号代码冒充 Argon。
本文没有进行独立 API 调用或质量验证。若要在当前 Gemini API 环境中复核，应使用官方当前文档确定 Argon 的实际入口和请求 schema，固定同一视频与问题，分别记录 static 和 agentic 的 interaction.steps、total_thought_tokens、total_tool_use_tokens、响应时间和最终 model_output；再覆盖短视频、超过 5–10 分钟视频、时间戳问题与多轮 step_list 恢复。任何 token 节省或质量结论都应注明是该次受控运行的结果，不能直接套用页面的 88% 或约 7% 通用描述。
Gemini 4 Argon