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。

1. 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。
2. 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。
3. 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。