Gemini 3.7 Videoverständnis: Leitfaden zum Agentenmodus

01

Was ist Gemini 3.7 Videoverständnis?

Gemini 3.7 verarbeitet Video, Audio und Transkript in einer Anfrage. Die Google-Dokumentation nennt für die Standardverarbeitung eine visuelle Abtastung von einem Bild pro Sekunde. Das reicht für ruhige Clips, kann aber kurze UI-Zustände oder schnelle Aktionen übersehen.

Laut offizieller Ankündigung plant der Agentenmodus die Prüfung, wählt relevante Momente und kombiniert Transkript, Audio, Bildrate und Auflösung. Er arbeitet trotzdem mit ausgewählten Belegen und garantiert daher keine richtige Antwort.

02

Was der Agentenmodus verändert

Statische Abtastung fragt, was ein gleichmäßiger Durchlauf zeigt. Agentische Prüfung fragt, welche Belege für diese konkrete Frage als Nächstes gesammelt werden sollten. So kann ein langes Video auf ein relevantes Intervall eingegrenzt werden.

Systeme wie LensWalk verfolgen dieselbe Richtung: zuerst planen, wie das Video betrachtet wird. Agentisch bedeutet nicht automatisch korrekt. Entscheidend sind eine enge Frage, klare Belege und eine Ablehnungsregel.

03

Agentenmodus oder statische Abtastung wählen

Wählen Sie nach Quelle und Risiko eines verpassten Ereignisses. Google empfiehlt agentische Verarbeitung vor allem für lange Videos und Momentfragen; statisch bleibt sinnvoll für kurze, latenzkritische Clips und vorhersehbare Präzision über das ganze Video.

Inspect image

Testen Sie beide Modi mit flüchtigen Ereignissen, Audio-Belegen und unbeantwortbaren Fragen. Bewerten Sie Zeitstempel, unbelegte Aussagen, Latenz und Schema-Stabilität.

04

Den Eingabevertrag vor dem Prompt festlegen

Ein verlässlicher Auftrag definiert Quelle, Modus, Frage, Ausgabe und Prüfung. Stellen Sie das Video vor den Text, verwenden Sie den dokumentierten agentic-Wert und verlangen Sie MM:SS statt ungenauer Zeitangaben.

{
  "input": [
    {
      "type": "video",
      "uri": "YOUR_VIDEO_URI",
      "processing": "agentic"
    },
    {
      "type": "text",
      "text": "Finde den ersten Checkout-Fehler. Liefere MM:SS, sichtbaren Fehlertext, vorherige Nutzeraktion und Unsicherheit."
    }
  ]
}

Das Beispiel ist aus der Google-Dokumentation abgeleitet und kein TapVid-Benchmark. Prüfen Sie die aktuelle SDK-Syntax. Quellen können File API, Cloud Storage, unterstützte YouTube-URLs oder kurze Inline-Dateien unter der dokumentierten 100-MB-Grenze sein.

05

Mit einem Belegvertrag fundierte Antworten erhalten

Ein starker Prompt definiert Frage, Belegkanäle, Zeitstempel, Unsicherheit und unzulässige Schlüsse. So bleibt eine sichtbare Beobachtung von einer Vermutung über Absichten getrennt.

• Frage: genaue Entscheidung oder Ereignis nennen.
• Belegkanäle: Transkript, Audio, Bildschirmtext, UI oder sichtbare Aktion.
• Ausgabe: Zeitstempel und kurze Befunde verlangen.
• Unsicherheit: fehlende Belege offen nennen.
• Ausschlüsse: unzulässige Schlüsse festlegen.

Inspect image

Jeder Befund braucht Zeitbereich, Beobachtung, Belegkanal, genaue Stütze und Konfidenz. Fehlen Belege, lautet die gültige Antwort „nicht belegt“ mit Angabe der Lücke.

Analysiere das Video für {{ENTSCHEIDUNG}}. Liefere je Befund MM:SS, Beobachtung, Belegkanal, genaue Stütze und Konfidenz. Erfinde nichts. Fehlen Belege, antworte „nicht belegt“ und nenne die Lücke.

06

Kopierfertige Prompts für typische Analysen

Die folgenden Vorlagen analysieren vorhandenes Material. Platzhalter ersetzen, Zeitstempel und Unsicherheit beibehalten und wichtige Befunde am Original prüfen.

Fehler in einer Produktdemo finden

Finde fehlgeschlagene oder unvollständige Schritte. Liefere MM:SS, vorherige Aktion, exakten UI-Beleg und verbale Bestätigung. Eine Pause ist ohne Beleg kein Fehler.

Entscheidungen aus einem langen Meeting extrahieren

Finde Entscheidungen zu Preis, Starttermin, Umfang oder Verantwortung. Liefere MM:SS, Entscheidung, Eigentümer, Datum und gesprochene Stütze. Trenne Entscheidungen von Vorschlägen.

Tutorial gegen freigegebene Schritte prüfen

Vergleiche das Tutorial mit {{CHECKLISTE}}. Markiere korrekt, falsch, fehlt oder unklar. Liefere MM:SS und sichtbares UI-Label. Erzählung allein beweist keinen Schritt.

Kurzes physisches Ereignis finden

Finde den ersten sichtbaren Abschluss von {{EREIGNIS}}. Liefere den frühesten belastbaren Zeitpunkt, das Abschlussmerkmal und Unsicherheit durch Verdeckung, Unschärfe oder Schnitt.

Ereignis, Beweis und Ablehnungsbedingung sind nützlicher als Wörter wie „tief“ oder „professionell“, weil das Ergebnis damit prüfbar wird.

07

Kontext in mehrstufigen Analysen bewahren

Mehrstufige Analyse funktioniert nur, wenn Video und Verarbeitungszustand erhalten bleiben. Eine erste Frage lokalisiert ein Ereignis, weitere Fragen suchen verwandte Beispiele.

Die Interactions API unterstützt Fortsetzung über eine frühere Interaktion. Ohne Zustand müssen relevante Aufrufe und Ergebnisse wiederholt werden. Speichern Sie Quell-ID, Modus, Interaktions-ID, Prompt-Version und Ausgabeschema zusammen.

08

Grenzen und Fehlermuster

Agentische Prüfung repariert keine unlesbare Beschriftung. Die Modellkarte nennt Halluzinationen, Langsamkeit und Timeouts. Produktive Abläufe brauchen Wiederholungen, Zeitlimits, Prüfung und eine Berechtigung für die Quelle.

• Erfundene Details: Zeitstempel und Unsicherheit verlangen.
• Ungenaue Zeitstempel: Grenzen manuell prüfen.
• Kleine oder flüchtige UI: bessere Quelle nutzen.
• Sprecherzuordnung: überlappende Stimmen prüfen.
• Langsame Anfragen: Timeouts und Wiederholungen einbauen.
• Rechte und Datenschutz: nur autorisierte Quellen.

Testen Sie auch fehlende Ereignisse, unlesbaren Text, unklare Sprecher und unbelegbare Motive. Eine selbstsichere Antwort auf solche Fälle ist ein Fehler.

09

Videoverständnis ist keine Videogenerierung

Videoverständnis liefert Befunde und Zeitstempel aus einem bestehenden Video. Generierung erzeugt neues Material; Bearbeitung verändert vorhandenes Material. Das sind unterschiedliche Aufgaben.

Inspect image

Für Erstellungs- und Bearbeitungsbeispiele dient die Gemini-Omni-Prompt-Bibliothek. Die Trennung schützt die Suchabsicht: Analyse verweist auf die Quelle, Generierung wird gegen Assets, freigegebenen Text und Briefing geprüft.

Eine Vorlage kann beide Prüfungen nicht ersetzen. Eine Analyse kann ohne neues Video wertvoll sein; ein attraktives generiertes Video kann dennoch falsche Labels oder Assets zeigen.

10

Geprüfte Erkenntnisse in ein Erklärvideo überführen

Gestalten Sie die Übergabe kontrolliert: Zeitstempel extrahieren, menschlich freigeben, nur bestätigte Aussagen in Text umwandeln, passende Assets zuordnen und die Entsprechung prüfen.

TapVid ist eine Explainer Video Engine. Der AI Explainer Video Generator macht aus gelieferten Assets und freigegebenem Text ein prüfbares Video; er macht eine vorgelagerte Analyse nicht automatisch wahr.

11

Praktische Prüfliste

Bewerten Sie echte Quellen anhand beobachtbarer Kriterien. Der richtige Modus erfüllt Ihre Akzeptanzkriterien und nicht nur das neuere Etikett.

• Richtiges Intervall
• Benannter Belegkanal
• Getreuer sichtbarer oder gesprochener Text
• Trennung von nicht gezeigt und nicht wahr
• Ablehnung bei fehlenden Belegen
• Schnelle Prüfbarkeit
• Belegkontinuität über mehrere Schritte
• Akzeptable Latenz

Wiederholen Sie Tests nach Modell- oder API-Änderungen. Versionierte Prompts und Soll-Ausgaben zeigen Änderungen bei Zeitstempeln, Ablehnung, Latenz und Struktur.

12

Häufig gestellte Fragen