前沿 AI 模型通常只能静态处理图像，容易忽略细节。Gemini 3 Flash 引入的 Agentic Vision 技术改变了这一现状。它通过结合视觉推理与代码执行，将图像理解转变为智能体过程，能够主动调查细节，显著提升了视觉基准测试的质量。
智能速览
Agentic Vision 将图像理解从静态转为智能体主动调查。
模型通过“思考、行动、观察”循环处理视觉任务。
集成代码执行功能，支持对图像进行裁剪、旋转等操作。
新功能使视觉基准测试质量提升 5-10%。
精华内容
这项技术如何通过智能体循环重塑视觉理解，其背后的核心机制与实际效果值得关注。
从静态到主动
传统 AI 模型处理图像往往是单一且静态的，一旦错过微芯片序列号或远处路标等细节，只能依靠猜测。Agentic Vision 的出现打破了这一局限，它将视觉理解视为一种主动调查过程。通过引入智能体机制，模型不再是被动接收，而是能够主动去寻找和分析图像中的关键信息。
智能体循环机制
该技术的核心在于“思考、行动、观察”的闭环。首先是思考，模型分析用户查询和初始图像，制定详细的多步骤计划。接着是行动，模型生成并执行 Python 代码，对图像进行裁剪、旋转或标注等操作。最后是观察，处理后的图像被追加回上下文窗口，为最终生成回复提供更准确的依据。
代码执行赋能
代码执行是 Agentic Vision 支持的首批工具之一，极大地增强了模型的操作能力。模型不再仅限于“看”，还能“做”。通过运行计算或统计边界框等分析手段，模型能够确凿地验证视觉证据。这种能力的结合，使得 AI 在面对复杂图像时，能够像人类专家一样逐步深入，得出可靠的结论。
性能实测提升
在实际应用效果上，启用代码执行功能带来了显著的性能飞跃。测试数据显示，在大多数视觉基准测试中，该技术实现了 5% 到 10% 的稳定质量提升。这一数据证明了 Agentic Vision 不仅仅是理论上的创新，更是切实解决视觉理解痛点、提升 AI 准确性的有效手段。
Agentic Vision 为图像理解任务带来了全新的解决思路，通过主动调查显著降低了信息遗漏的风险。随着代码执行等工具的进一步融合，未来 AI 在视觉领域的表现将更加精准和可靠，值得期待。
