Gemini 2.5 推动视频理解进入新时代

  每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！ 订阅：https://rengongzhineng.io/

此外，该模型在一些高难度任务上（例如 YouCook2 的密集字幕生成、QVHighlights 的关键时刻检索）表现可媲美专业微调模型。而对于对成本敏感的应用，Gemini 2.5 Flash 则提供了极具竞争力的替代方案。

---

Gemini 2.5 的技术突破

Gemini 2.5 是首个能够原生结合音频、视觉、代码与其他数据格式的多模态模型，开启了全新的视频+代码处理能力。

---

应用实例一：将视频转化为交互式应用

Gemini 2.5 Pro 解锁了视频到交互式应用的全新可能。在 Google AI Studio 中，Video to Learning App 启动项目展示了如何使视频学习更具效果与互动性。

使用流程如下：

1. 用户提供一个 YouTube 视频链接与分析提示；
2. Gemini 2.5 Pro 分析视频并生成学习应用的详细规格说明；
3. 同一个模型随后根据规格自动生成应用程序代码。

在教育与互动内容生成领域，Gemini 2.5 Flash 也展现出强大能力。

---

应用实例二：p5.js 动画自动生成

Gemini 2.5 Pro 还能从视频中自动提取信息并生成动画，例如：

• 输入 Project Astra 视频；
• 提示：“用 p5.js 创建一个动画，展示视频中出现的不同地标”；
• 模型根据视频顺序生成动画代码，自动还原地标出现的时间线。

---

应用实例三：视频中“关键时刻”的检索与描述

在处理长视频（如 Google Cloud Next '25 开幕演讲）时，Gemini 2.5 Pro 可基于音频和视觉信号准确识别并标注多个重要片段（如产品展示），其精度远超此前系统。

---

应用实例四：视频中的时间推理与计数

凭借其先进的片段识别能力，Gemini 2.5 Pro 还可执行细粒度的时间推理任务。例如：

• 在 Project Astra 视频中，模型准确统计主角使用手机的 17 次行为；
• 展示了其对视频中时间关系与动作频次的敏感识别能力。

---

构建视频智能应用的方式

Gemini 2.5 Pro 与 Flash 的视频理解功能现已支持：

• Google AI Studio
• Gemini API
• Vertex AI

其中，Gemini API 支持 YouTube 视频输入，允许开发者从全球数十亿视频中构建应用。

新版本 API 还加入了 “低分辨率媒体处理参数”，在约 200 万 token 上下文限制下，可处理 6 小时以上视频，大幅降低成本，同时保持与高精度模型相当的性能（如在 VideoMME 上达到 84.7% vs 85.2% 的准确率）。

---

团队表示，社区中已有许多富有创意的视频应用正在涌现，对未来的创新充满期待。Gemini 2.5 正在重新定义人类与视频的互动方式。