Agentic Vision 是 Gemini 3 Flash 中的一项新功能，它将视觉推理与代码执行相结合，以视觉证据为基础提供答案。
像 Gemini 这样的前沿人工智能模型通常会通过单一的、静态的一瞥来处理世界。如果他们错过了一个细粒度的细节——比如微芯片上的序列号或远处的街道标志——他们就被迫猜测。
Gemini 3 Flash 中的代理视觉将图像理解从静态行为转变为代理过程。它将视觉视为一项积极的调查。通过将视觉推理与代码执行（Agentic Vision 支持的首批工具之一）相结合，该模型制定了逐步放大、检查和操作图像的计划，以视觉证据为答案。
使用 Gemini 3 Flash 启用代码执行可在大多数视觉基准测试中实现一致的 5-10% 质量提升。
Agentic Vision：新的前沿人工智能能力
代理视觉将代理思考、行动、观察循环引入到图像理解任务中：思考
- ：模型分析用户查询和初始图像，制定多步骤计划。法案
- ：模型生成并执行 Python 代码来主动操作图像（例如裁剪、旋转、注释）或分析图像（例如运行计算、计算边界框等）。观察
- ：转换后的图像将附加到模型的上下文窗口。这使得模型能够在生成最终响应之前检查具有更好上下文的新数据。
行动中的代理视觉
通过在 API 中启用代码执行，您可以解锁许多新行为，其中许多在我们的演示应用程序在谷歌人工智能工作室中。从 Gemini 应用程序等大型产品到小型初创公司，开发人员已经开始集成解锁许多用例的功能，包括：
1. 缩放和检查
Gemini 3 Flash 经过训练，可以在检测细粒度细节时隐式缩放。
PlanCheckSolver.com是一个人工智能驱动的建筑平面图验证平台，通过使用 Gemini 3 Flash 执行代码来迭代检查高分辨率输入，将准确性提高了 5%。后端日志的视频演示了这一代理过程：Gemini 3 Flash 生成 Python 代码来裁剪和分析特定斑块（例如屋顶边缘或建筑部分）作为新图像。通过将这些作物添加回其上下文窗口，该模型可以直观地验证其推理，以确认符合复杂的建筑规范。
2. 图像标注
Agentic Vision 允许模型通过注释图像与其环境进行交互。Gemini 3 Flash 不仅可以描述它所看到的内容，还可以执行代码直接在画布上绘制以支持其推理。
在下面的示例中，要求模型计算手上的数字双子座应用程序。为了避免计数错误，它使用 Python 在它识别的每个手指上绘制边界框和数字标签。这个“视觉暂存器”确保其最终答案基于像素完美的理解。
3. 视觉数学和绘图
Agentic Vision 可以解析高密度表格并执行 Python 代码以可视化结果。
标准的法学硕士经常在多步视觉算术中产生幻觉。Gemini 3 Flash 通过将计算卸载到确定性的 Python 环境来绕过这个问题。在下面的例子中，来自我们的演示应用程序在 Google AI Studio 中，模型识别原始数据，编写代码将先前的 SOTA 标准化为 1.0，并生成专业的 Matplotlib 条形图。这用可验证的执行取代了概率猜测。
接下来是什么
我们刚刚开始使用 Agentic Vision。
- 更多隐式代码驱动行为：如今，Gemini 3 Flash 擅长隐式决定何时放大小细节。虽然其他功能（例如旋转图像或执行视觉数学）目前需要明确的提示推动才能触发，但我们正在努力使这些行为在未来的更新中完全隐含。
- 更多工具：我们还在探索如何为 Gemini 模型配备更多工具，包括网络和反向图像搜索，以进一步加深其对世界的理解。
- 更多型号尺寸：此外，我们还计划将此功能扩展到 Flash 之外的其他模型尺寸。
如何开始
Agentic Vision 现已通过 Google AI Studio 和 Vertex AI 中的 Gemini API 提供。它也开始在 Gemini 应用程序中推出（通过从模型下拉列表中选择“思考”进行访问）。开发者可以尝试演示在 Google AI Studio 中，或者尝试一下中的功能AI工作室游乐场通过打开“工具”下的“代码执行”。阅读开发者文档了解更多信息（顶点人工智能开发文档）。