谷歌为 Gemini 3 Flash 模型推出 Agentic Vision 能力，让 AI 能够通过编写和执行 Python 代码来主动操控图像。这个 “思考 - 行动 - 观察” 的闭环系统使模型不再被动接收像素，而是能根据需求裁剪、旋转、标注图像，甚至执行视觉数学计算。该技术将视觉理解从 “猜测” 变为 “深度调查”，在各类视觉基准测试中实现了 5% 到 10% 的性能提升，已通过 Google AI Studio 和 Vertex AI 的 Gemini API 向开发者开放。
AIWW评析
谷歌这次的技术突破颇有深意 —— 当其他 AI 还在努力 “看清” 世界时，Gemini 已经学会 “动手操作” 了。Agentic Vision 本质上是在视觉感知之上叠加了 “执行层”，让 AI 不仅能看到细节，还能主动放大、标注、计算，形成可验证的闭环。这就像从 “观察员” 升级为 “调查员”，AI 第一次拥有了对视觉信息的 “动手能力”。有趣的是，这项技术发布恰逢 DeepSeek 开源 OCR2，仿佛两大巨头在定义视觉 AI 的下一阶段：一方追求极致的 “看”，另一方则强调 “做”。无论这场竞赛如何发展，最终受益的是整个 AI 生态 —— 我们正见证机器视觉从被动感知向主动交互的历史性转变。
