谷歌发布 Gemini 2.5 Computer Use 模型：专攻浏览器交互，支持 13 种操作

10 月 8 日消息，谷歌正在预览一款全新的 Gemini 人工智能模型，该模型旨在通过浏览器浏览网络并与之交互，使 AI 智能体能够在原本为人而非机器人设计的用户界面中执行操作。这款名为“Gemini 2.5 计算机使用”（Gemini 2.5 Computer Use）的模型，利用“视觉理解与推理能力”分析用户的请求，并完成相应任务，例如填写并提交表单。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

该模型可用于用户界面测试，或用于操作那些仅面向人类用户、未提供 API 或其他直接接口的系统。此前，此类模型已应用于谷歌 AI 模式（AI Mode）中的智能体功能，以及研究原型项目“Mariner”，该项目利用 AI 智能体在浏览器中自主执行任务，例如根据食材清单自动将商品添加到购物车。

谷歌此次发布恰逢 OpenAI 在其年度开发者日（Dev Day）宣布推出 ChatGPT 新应用的次日。OpenAI 正持续聚焦其“ChatGPT 智能体”（ChatGPT Agent）功能，该功能可代表用户完成复杂任务。与此同时，Anthropic 公司已于去年发布了其 Claude AI 模型的“计算机使用”（computer use）版本。

注意到，谷歌发布了一些演示视频，展示了“计算机使用”工具的实际运行效果，并注明视频播放速度已加快至 3 倍。谷歌表示，其计算机使用模型“在多个网页和移动端基准测试中优于现有领先方案”。与 ChatGPT 智能体和 Anthropic 的计算机使用工具不同，谷歌的新 AI 模型仅限于访问浏览器环境，无法操控整个计算机系统。谷歌特别指出，该模型“尚未针对桌面操作系统层级的控制进行优化”，目前支持 13 种操作，包括打开网页浏览器、输入文本，以及拖放页面元素等。

Gemini 2.5 计算机使用模型现已通过 Google AI Studio 和 Vertex AI 向开发者开放。此外，Browserbase 平台也提供了在线演示，用户可实时观看该模型完成诸如“玩一局 2048 游戏”或“浏览 Hacker News 上的热门讨论”等任务。