谷歌Gemini 3 Flash新增Agentic Vision视觉推理与代码执行

谷歌近日发布了 Gemini 3 Flash 上的一项重要新功能：全新的视觉模块 Agentic Vision。其核心目标非常清晰——使 AI 在分析图像时，不再局限于“快速瞥一眼就给出结论”的简单模式，而是像人类专家一样，通过逐步推理进行细致解读。

长期以来，大多数 AI 视觉模型都采用“单次快照”的处理方式：输入一张图像，模型立即输出判断结果。在简单场景中，这种方法尚能胜任；然而面对高密度信息或极其细微的特征——例如远处的小字、微小的标识——这种静态处理方式往往容易出错，遗漏关键细节。

Agentic Vision 的独特优势在于它构建了一套模拟人类推理过程的视觉工作流。模型不再只是“被动地观看图像”，而是像专业技术人员一样，采用“规划→干预→复验”的闭环流程，对图像进行深度解析。

1. Think（规划）：模型接收到用户指令与原始图像后，会自动生成一套分阶段的视觉分析策略——就像研究人员先规划好分析步骤。
2. Act（干预）：接着，通过动态编写并执行 Python 脚本，实现裁剪、角度校正、区域标记、对象计数等精确操作——如同亲自操作工具进行调整。
3. Observe（复验）：最后，将处理后的图像作为新输入重新放入上下文，模型基于更清晰的视觉证据进行二次推理，最终输出结果。

这种“观察→操作→再观察”的迭代推理方式，使 Gemini 在多种复杂图像任务中的准确率平均提升了 5% 至 10%，效果显著而实在。

目前，Agentic Vision 已集成到 Gemini AI Studio 和 Vertex AI 平台，开发者可以通过 Gemini API 直接调用。未来，它还将出现在 Gemini App 的“Thinking 模式”中，面向终端用户开放。开发者只需在相应工具中启用“代码执行”选项，即可激活这一功能。