谷歌 Gemini 3 Flash 新增“Agentic Vision”功能:将视觉推理与代码执行相结合
作者:RiverSoul
时间:2026-08-16
浏览:4
谷歌Gemini3Flash推出AgenticVision模块,采用“规划、干预、复验”闭环流程,将视觉推理与动态代码执行结合,对图像进行深度解析,避免单次快照的漏检问题。该功能使复杂图像任务准确率提升5%至10%,已集成于AIStudio和VertexAI平台,开发者可通过API调用。
谷歌最近放出了一个重磅更新:Gemini 3 Flash 上的全新视觉模块 Agentic Vision。它的目标很明确——让 AI 在理解图像时,不再只是“扫一眼就下结论”,而是像人类专家那样,一步步仔细推敲。

一直以来,大多数 AI 视觉模型走的都是“单次快照”路线:丢进一张图,模型立马给出判定。这在简单场景下还好,但一旦碰到高密度信息或是极细微的特征——比如远处的小字、微缩标识——这种静态方式就容易出岔子,漏掉关键细节。
Agentic Vision 的厉害之处,在于它构建了一套类似人类推理的视觉工作流。模型不再是“被动看图”,而是像专业技术人员那样,用“规划→干预→复验”的闭环方式,对图像进行深度解析。

- Think(规划):模型拿到用户指令和原始图像后,会自己生成一套分阶段的视觉分析策略——就像一个研究员先想好怎么下手。
- Act(干预):接着,通过动态编写并运行 Python 脚本,来执行裁剪、校正角度、标记区域、计数对象等精准操作——相当于亲自上手调整工具。
- Observe(复验):最后,把处理过的图像作为新输入放回上下文,模型基于更清晰的视觉证据再做二次推理,给出最终答案。
这种“观察→操作→再观察”的迭代推理,让 Gemini 在多种复杂图像任务上的准确率平均提升了 5–10%,效果相当实在。

目前 Agentic Vision 已经集成到 Gemini AI Studio 和 Vertex AI 平台,开发者通过 Gemini API 就能调用。后续它还会出现在 Gemini App 的“Thinking 模式”中,面向终端用户开放。开发者只需在相关工具中开启“代码执行”选项,就能激活这个能力。
作者最新文章
Bandizip在Windows 10上安装失败怎么办?
2026-10-03 08:29
win10注册表修改怎么取消开机自动登录密码
2026-10-02 16:12
3dmax常见问题及解决办法:异常关闭和文件找回教程
2026-09-28 11:55
微软推出Project Zenith:面向Windows 11开发者的AI硬件加速方案
2026-09-08 18:15
打破流量垄断,让平台经济释放普惠红利
2026-09-08 18:07
热门文章
更多
精品专题
更多
Mac软件
更多
WINDOWS
更多










































