Agentic Vision，是谷歌2026年推出的模仿人類處理圖像“智慧型體視覺”功能。
2026年1月27日，谷歌 DeepMind 團隊發布博文，宣布在Gemini 3 Flash模型基礎上，推出“智慧型體視覺”（Agentic Vision）功能。該功能將視覺理解轉化為一個主動調查的過程，模型通過結合視覺推理與代碼執行，模仿人類“思考、行動、觀察”循環處理圖像。谷歌發布的機器人推理模型Gemini Robotics-ER 1.6在儀表識別等任務中結合了Agentic Vision能力，使識別成功率得到提升。
基本介紹
- 外文名：Agentic Vision
- 推出企業：谷歌
發展歷史,功能簡介,功能核心,
發展歷史
2026年4月，谷歌推出的Gemini Robotics-ER 1.6模型集成了“智慧型體視覺”功能，並將其套用於機器人的儀表識別等高級任務。在工業場景中，搭載該模型的波士頓動力機器狗Spot能夠自主走到工廠壓力表前，通過“智慧型體視覺”功能讀取精確的刻度數字。得益於該功能的集成，ER 1.6模型在儀表識別任務上的成功率從上一代ER 1.5的23%大幅提升至93%。
功能簡介
傳統 AI 模型在處理圖像時，通常僅進行一次靜態掃描，這種方式若遺漏了晶片序列號或遠處的路牌等細微細節，模型便只能依靠猜測來生成答案。
Gemini 3 Flash 引入的“智慧型體視覺”打破了這一局限，將視覺理解轉化為一個主動調查的過程。模型不再被動接收信息，而是通過結合視覺推理與代碼執行，模仿人類“思考、行動、觀察”循環處理圖像，從而確立答案的視覺證據。
功能核心
“智慧型體視覺”功能的核心，在於形成“思考-行動-觀察”閉環：
- 首先是“思考”階段，模型分析用戶查詢和初始圖像，制定多步計畫；
- 緊接著進入“行動”階段，模型生成並執行 Python 代碼來主動操作圖像（如裁剪、旋轉、標註）或進行分析（如計算邊界框）；
- 最後是“觀察”階段，變換後的圖像被追加到模型的上下文視窗中。
這一機制讓 Gemini 3 Flash 能夠利用更新後的數據和更佳的語境進行二次檢查，從而生成基於事實的最終回復。
