구글, 제미나이 플래시에 ‘에이전틱’ 영상 이해 기능 도입…토큰 최대 88% 절감

구글이 제미나이 플래시 모델에 영상 전체를 한 번에 읽는 대신 필요한 구간만 찾아보는 ‘에이전틱 비디오 이해(agentic video understanding)’ 기능을 도입했다. 구글은 이 기능을 통해 영상 처리 토큰을 최대 88% 줄이고, 비용은 최대 66% 낮추며, 표준 영상 벤치마크에서는 정확도를 최대 7% 높일 수 있다고 밝혔다.

이번 기능은 제미나이 API와 구글 AI 스튜디오, 제미나이 엔터프라이즈 에이전트 플랫폼을 통해 제공된다. 공개 유튜브 URL과 파일 업로드를 모두 지원하며, 별도의 추가 기능 요금은 없고 기존 제미나이 API 토큰 과금 체계를 따른다. 다만 오픈웨이트 형태로 공개되지는 않아 자체 서버에 올려 쓰는 방식은 지원하지 않는다.

기존 제미나이 모델의 영상 처리 방식은 기본적으로 정해진 속도로 전체 영상을 훑는 구조였다. 예를 들어 90분짜리 강연을 넣으면 질문이 단순 요약이든, 특정 시점의 슬라이드 전환이든 영상 전체를 일정한 프레임 속도로 처리해야 했다. 이 방식은 긴 영상일수록 비용이 커지고, 반대로 영상을 미리 잘라 넣으면 중요한 맥락이 빠질 수 있다는 한계가 있었다.

구글이 이번에 내놓은 방식은 모델이 스스로 어떤 구간을 볼지, 어떤 프레임 속도로 확인할지, 텍스트·오디오·프레임 중 무엇을 불러올지 판단하는 구조다. 개발자가 수동으로 영상 구간을 나눠 처리하는 방식은 이미 가능했지만, 이번에는 그 과정을 모델 내부에서 수행해 개발 부담을 줄였다는 설명이다. 구글은 이 기능이 특히 10분짜리 사용법 영상부터 수시간 분량의 녹화본 같은 장문 영상에서 효율이 크다고 밝혔다.

기술적으로는 응답 과정에 새 단계가 추가된다. 모델이 특정 구간이나 자막을 요청하면 processing_call이, 해당 자료를 불러오면 processing_result가 기록되며, 이 단계들은 사고 과정과 모델 출력 사이에 들어간다. 이를 통해 사용자 화면에서 진행 상황을 보여줄 수 있고, 실제로 에이전틱 모드가 작동했는지도 확인할 수 있다. 토큰 집계도 사고에 쓰인 thought tokens와 영상·오디오·자막을 불러오는 tool-use tokens로 나뉜다.

구글은 자사 평가에서 제미나이 3.7 플래시가 영상 분석 모델 가운데 비용 대비 정확도 측면에서 유리한 위치에 올랐다고 설명했다. 이번 기능은 긴 영상의 핵심 장면을 더 적은 비용으로 찾아내려는 수요를 겨냥한 것으로 보인다.