Совсем упустил, что 15 февраля google выпустила обновление своей gemini. По представленным тестам эта сеть может превосходно находить контекст по заданному абстрактному запросу в очень длинных видео, аудио и тексте. При этом она может находить фрейм из видео по схематическому эскизу. В целом выглядит так, что нам надо срочно учиться пользоваться такими моделями, как когда-то надо было учиться "гуглить":)