Gemini 4 Carbon 支持视频输入和 agentic video understanding;默认使用静态模式,需在视频输入中显式设置 processing: "agentic" 才会按需查看时间线、字幕/转录和画面。
适合的任务:长视频检索特定事件、按主题查找片段、跨音轨和画面核对内容。
不适合的任务:要求不漏掉快速动作或逐帧检查的短片;静态默认的 1 FPS 可能采不到快速变化,agentic 会按需取样。
适用的模型版本:Gemini 4 Carbon,模型 ID gemini-4-carbon。
适用的客户端、Agent 或 API:Google GenAI SDK 的 Gemini API Interactions API。
推荐的推理档位和参数:Carbon 默认 thinking_level 为 medium;长视频可为视频输入设置 processing: "agentic",耗时较长时使用 background=True 或流式请求。视频分辨率可独立配置。
以下 Python 片段按官方 Agentic 示例整理,替换视频路径和查询即可。较大的视频使用 Files API,等文件状态变为 ACTIVE 后再发起交互:
import time
from google import genai
client = genai.Client()
video_file = client.files.upload(file="path/to/video.mp4")
while not video_file.state or video_file.state.name != "ACTIVE":
if video_file.state and video_file.state.name == "FAILED":
raise RuntimeError("Video processing failed")
time.sleep(2)
video_file = client.files.get(name=video_file.name)
interaction = client.interactions.create(
model="gemini-4-carbon",
input=[
{
"type": "video",
"uri": video_file.uri,
"mime_type": video_file.mime_type,
"processing": "agentic",
},
{
"type": "text",
"text": "查找视频中讨论退款政策的片段,并按时间戳总结发言要点。",
},
],
background=True,
)
while interaction.status in ("queued", "in_progress"):
time.sleep(5)
interaction = client.interactions.get(interaction.id)
print(interaction.output_text)安全的时间戳抽取提示示例(编辑性示例,非 Google 原文):
仅根据视频中可核对的语音转录或画面,列出与“退款政策”相关的片段。每条输出开始时间(MM:SS)、结束时间(MM:SS)、证据类型(语音/画面)和一句摘要。不要推断未出现的信息;无法确认时间或内容时写“无法确认”,不要编造时间戳。直接引述时保留原话,不补全被截断的句子。上传较大或将复用的视频;短小的一次性视频也可按官方支持的输入方式直接传入。
确认文件已处理完成,随后在视频项上显式指定 processing: "agentic"。不指定时使用默认静态模式。
查询要具体到事件、主题或时间段;需要定位具体时刻时使用 MM:SS 格式。
长视频或多轮检查可启用后台执行或流式响应;完成后确认交互状态并读取 output_text。
检查 interaction.steps:存在 processing_call 和 processing_result 表示模型实际动态查看了视频内容。抽取结果中的时间戳应回看原视频核对。
Gemini 4 Carbon 模型卡把 Agentic video understanding 标为支持,并注明默认静态处理。
视频指南将 Agentic 列为 Carbon 支持的模式;在视频输入上设置 processing: "agentic" 启用。模型可按提示动态查看时间线,并按需读取转录、帧或音频。
所有 Gemini 模型默认采用静态处理:每秒抽取 1 帧;文档称音频按单声道 1 Kbps 处理,并每秒加入时间戳。
官方建议静态用于短片(约 5 分钟内)、需要概览全片或逐帧检查、重视低延迟的任务;Agentic 适合长视频(约 5–10 分钟以上)和针对具体主题/时刻的检索。官方称长视频可最多减少 88% token;短片和宽泛问题可能因导航思考与工具往返增加耗时或 token。
Agentic 的 processing_call 表示请求读取视频片段或转录,processing_result 是对应结果。官方建议检查这些步骤验证动态导航是否发生。
视频裁剪区间和自定义 fps 仅适用于静态处理;在 Agentic 模式下不能用这些参数控制采样。静态模式可通过 MM:SS 提问定位内容,但快速动作仍可能被 1 FPS 采样遗漏。
Google 文档列出 1M 上下文模型在低分辨率下默认可处理最长 3 小时视频,高分辨率下最长 1 小时。视频分辨率、处理模式相互独立。
动态导航会增加长视频任务首 token 延迟;长任务宜使用后台执行或流式响应,避免连接超时。
官方所称 token 节省和质量提升是文档中的能力描述,不保证每条视频或每个任务都达到相同效果。
时间戳提示能引导定位,不能替代对原视频的核验;静音、语音识别错误、剪辑或证据不足时应明确标注不确定。
本文未调用 API 或实测视频,代码配置按 Google 官方示例整理。
采集日期为 2026-11-16。通过 Tabbit 打开指定的 Google AI Studio 视频理解文档,并读取其 agentic 模式、默认采样、限制和示例;同时核对 Gemini 4 Carbon 官方模型卡。代码仅替换示例中的模型 ID,并补充文件失败状态处理;未上传视频或发起 API 请求。
Gemini 4 Carbon