Gemini 3 Flash 推出 Agentic Vision：从静态识别迈向代理式视觉推理
Google 为 Gemini 3 Flash 宣布了 Agentic Vision 能力。传统高级模型通常依赖单次静态视角处理图像，易遗漏芯片序列号或远处路牌等细节；而 Agentic Vision 将图像理解转变为基于视觉证据的代理式过程，显著提升了图像相关任务的准确性。
核心机制：“思考-行动-观察”循环与代码执行
该模型通过结合视觉推理与代码执行工具，制定计划以逐步放大、检查和处理图像。启用代码执行后，在大多数视觉基准测试中可带来 5%至10% 的质量提升。其工作流程遵循以下循环：
- 思考：分析用户查询和初始图像，制定多步处理计划；
- 行动：生成并执行 Python 代码，主动处理或分析图像；
- 观察：将转换后的图像纳入上下文窗口，使模型在回复前能基于更丰富的数据进行审视。
功能亮点：自动缩放、绘图解析与高精度识别
Gemini 3 Flash 不仅能识别图像内容，还能直接在画布上运行代码绘图以辅助推理。当检测到细微细节时，模型会自动放大查看。此外，Agentic Vision 支持解析高密度表格、可视化调查结果，并能完成数手指、算术计算等复杂视觉任务。
获取方式
Agentic Vision 正逐步向 Thinking 模型及 Gemini 应用推送。开发者可通过 Google AI Studio 和 Vertex AI 中的 Gemini API 访问该功能。