谷歌近日推出了一款名为“gemini 2.5 computer use”的新型模型，该模型基于gemini 2.5 pro打造，具备强大的“视觉理解与推理能力”，能够解析用户指令并自主执行相应任务。其核心亮点在于实现ai智能体与图形用户界面之间的自动化交互，进一步拓展了谷歌在ai操作生态领域的布局。
据悉，该模型融合了先进的视觉识别与逻辑推演技术，可模拟人类在浏览器中的多种操作行为，包括点击、输入、滚动等共计13种动作。即使面对缺乏API接口的网页环境或涉及多页面跳转的复杂场景，它也能顺利完成任务，例如自动填写表单、抓取并筛选商品信息、汇总在线笔记内容等。通过采用迭代式工作流程，模型会结合屏幕截图和历史操作反馈不断优化执行策略，在如Online-Mind2Web等权威基准测试中展现出卓越性能与低延迟表现。
相较于其他同类产品，Gemini 2.5 Computer Use更专注于浏览器内的自动化操作，目前暂未扩展至桌面系统级别的控制能力。同时，为保障安全性，模型内建了多重防护机制，并提供开发者可控工具，有效防范诸如绕过验证码或执行高风险操作等潜在滥用问题。
目前，Gemini 2.5 Computer Use模型正处于预览阶段，开发者可通过Google AI Studio以及Vertex AI平台中的Gemini API接入并使用相关功能。
