谷歌于推出 Agentic Vision，Gemini 3 Flash 的全新视觉能力

谷歌于 1 月 27 日推出 Agentic Vision，这是 Gemini 3 Flash 的全新视觉能力，将静态图像分析转化为“代理式”（agentic）过程，通过“思考-行动-观察”循环主动调查图像细节，提升基准准确率 5%–10%。

核心机制
Think-Act-Observe 循环
Think：分析查询与初始图像，制定多步计划（如放大序列号、旋转街牌）。

Act：生成并执行 Python 代码，主动操作图像（裁剪、旋转、标注、计算边界框）。

Observe：将变换图像追加至上下文窗口，迭代精炼最终响应。

关键功能

• 自动放大：检测微观细节（如芯片序列号、远处标志），无需提示。
• 视觉数学：解析密集表格、执行确定性 Python 计算，避免幻觉。
• 图像标注：直接在画布绘制， grounding 推理于视觉证据。

可用性与基准提升
接入方式：Gemini API（Google AI Studio/Vertex AI）、Gemini app（Thinking 模式），开发者开启“Code Execution”工具即可。

性能：视觉基准一致提升 5%–10%，PlanCheckSolver 等应用验证建筑平面准确率改善。

未来扩展：隐式支持旋转/视觉数学、多工具（网页/逆像搜索）、更多模型尺寸。

本条快讯由 ABAB AI 新闻模型自动生成：
基于实时监测的全球信息源，经语义筛选与编辑后即时发布