谷歌 Gemini 3 Flash 新增“Agentic Vision”功能：将视觉推理与代码执行相结合
谷歌宣布其 AI 模型 Gemini 3 Flash 增加了一个全新的视觉能力模块 Agentic Vision，旨在让模型在处理图像时更像人类专家，而不是静态“看一眼就猜”。 过去的大多数 AI 视觉模型都是“静态看图”：它们接收一张图片，试着一次性理解内容。但这样做，若遇到细节极小、信息密集的视觉任务（比如识别微小字符、远处标志等），结果往往不够精确。 Agentic Vision 的核心创新在于引入了一种类似调查式的视觉分析流程 — 让模型像工程师一样“思考→操作→观察”，从而依据视觉证据得出更可靠的结论。 Think（思考）：模型根据用户提问和初始图像制定一个多步骤分析计划。 Act（执行）：通过自动生成并执行 Python 代码，模型对图像进行剪裁、旋转、标注、计数等操作。 Observe（观察）：处理后的图像被加入上下文，模型在新的视角下重新分析并回答。 这种“看 → 处理 → 再看”的循环式分析，让 Gemini 在视觉任务的准确性上平均提升 5–10%。 目前 Agentic Vision 能力已经在 Gemini AI Studio、Vertex AI 中通过 Gemini API 提供，未来也将陆续在 Gemini App 的“Thinking 模式”中对用户开放。开发者只需在工具里启用“Code Execution”（代码执行）功能即可调动这个能力。
