谷歌正式推出 gemini 3 flash 的全新视觉智能模块 agentic vision，目标是让 ai 在图像理解上更贴近人类专家的分析逻辑，而非简单地“扫一眼就作答”。
传统 AI 视觉模型普遍采用“单次快照式”理解：输入一张图，模型即刻输出判断。然而面对高密度信息或极细微特征（如远距离标识、微缩文字等）时，这种静态方式常导致识别偏差或遗漏关键细节。
Agentic Vision 的突破在于构建了一套类人推理驱动的视觉工作流——模型不再被动接收图像，而是像专业技术人员那样，以“规划→干预→复验”的闭环方式进行深度视觉解析。
- Think（规划）：模型结合用户指令与原始图像，自主生成一套分阶段的视觉分析策略。
- Act（干预）：通过动态编写并运行 Python 脚本，执行图像裁剪、角度校正、区域标注、对象计数等精准操作。
- Observe（复验）：将处理后的图像作为新输入纳入上下文，模型基于增强后的视觉证据进行二次推理与最终作答。
这种“观察→操作→再观察”的迭代式视觉推理机制，使 Gemini 在多项复杂图像任务中的准确率平均提升 5–10%。
目前，Agentic Vision 已集成至 Gemini AI Studio 与 Vertex AI 平台，并可通过 Gemini API 调用。后续还将逐步上线 Gemini App 的“Thinking 模式”，面向终端用户开放。开发者仅需在相关工具中开启“Code Execution”（代码执行）选项，即可激活该能力。
