传统AI看图像“远视眼”，只能看个大概。谷歌推出的Agentic Vision功能，通过“思考-行动-观察”的闭环，让AI学会了像人一样仔细琢磨图片。它能主动操作图片，寻找视觉证据，从而在复杂图像理解上取得显著突破。
智能速览
谷歌发布Agentic Vision，让AI从“一眼看完”变为“仔细观察”。
它通过“思考-行动-观察”闭环，用代码主动操作图片分析。
在多数视觉基准测试中，准确率稳定提升5%-10%。
可用于检查建筑图纸细节、在图上直接标注、分析复杂数据图表。
精华内容
以往AI看图更像“走马观花”，遇到复杂细节就容易出错。Agentic Vision则教会了AI如何“精读”一张图片，其核心逻辑在于一个智能化的处理闭环。
智能观察闭环
该功能的核心是“思考-行动-观察”的智能闭环。首先，AI会分析用户问题并制定一个多步计划。接着，它会生成并执行Python代码来主动操作图片，例如放大某个特定区域或旋转图片以获得新视角。最后，AI会观察处理后的图片信息，并将其整合进上下文，再进行分析判断，确保答案基于视觉证据。
显著性能提升
根据谷歌公布的数据，Agentic Vision在大多数视觉基准测试中，效果稳定提升了5%到10%。在AI领域，这种跨任务的综合性能提升相当可观。例如，在建筑图纸验证平台PlanCheckSolver的测试中，该功能帮助AI逐块检查屋顶边缘和建筑结构等细节，准确率提高了5%，有效确保了图纸符合复杂的建筑规范。
丰富的应用可能
新功能拓展了AI视觉能力的边界。首先是精细检查，如验证建筑图纸的合规细节。其次是画布式标注，AI不再仅用文字描述，而是能直接在图片上圈出目标并编号，例如准确数出图片中的手指数量并逐一标记。此外，在处理包含大量数据的图表时，它能调用Python进行多步计算，最后生成图表展示分析过程，让推理结果清晰可见。
智能化的未来
目前，该功能已在Gemini 3 Flash模型上提供，用户可通过谷歌AI Studio、Vertex AI及手机端Gemini应用进行体验。谷歌团队正致力于让AI更智能地判断何时需要何种操作，未来有望实现无需用户明确指示，AI就能自主决定放大、旋转或其他分析动作，让整个交互过程更加流畅自然。
Agentic Vision的发布，标志着AI视觉理解正从静态识别迈向动态推理。它教会了AI如何“思考”和“探索”，为解决更复杂的现实问题铺平了道路。当AI能像人一样细致观察，下一个突破又将在哪里出现？
