谷歌将计算机操作能力整合至Gemini 3.5 Flash模型

谷歌宣布其Gemini 3.5 Flash版本新增计算机操作能力模块，该功能允许模型直接执行基础操作指令。此更新涵盖文件管理和软件操作等场景，使AI助手可辅助完成文档处理、程序启动等任务。

功能特性说明

计算机操作能力指AI模型可通过自然语言指令完成基础系统操作，例如打开特定程序、创建文件夹等。该模块基于谷歌现有AI技术框架开发，不涉及外部接口调用。

"Gemini 3.5 Flash的计算机操作功能旨在提升日常办公效率，目前支持主流操作系统的基础指令解析。"——谷歌技术团队声明

• 支持文档编辑与格式调整
• 可识别并执行软件启动指令
• 具备基础文件管理能力
• 操作结果实时反馈至用户界面

此升级可能影响企业级应用开发，为AI办公场景提供更直接的交互支持。具体技术细节以官方文档为准。

谷歌Gemini Flash模型新增跨平台操作功能，支持多步骤任务执行

谷歌宣布Gemini Flash模型已整合Computer Use能力，实现对网页、桌面软件及移动端的全场景操作支持。该功能可完成连续数十步任务流程，用户可直接通过AI交互界面操控设备。

技术模块特性解析

Computer Use为人工智能系统提供基础交互能力，能识别并操作计算机界面元素。此次调整将此模块直接植入主模型，而非此前作为独立组件使用。

关键技术路径显示，系统通过指令解析与界面交互的双重机制实现操作。用户输入文字指令后，模型可自动识别目标应用并完成预设动作。

“连续执行数十步任务的能力，标志着AI交互进入新阶段。”

• 覆盖场景：网页浏览器、桌面程序、移动应用
• 操作特性：多步骤连续执行
• 技术迭代：主模型集成而非独立模块

用户对新增功能表示担忧，担心数据安全问题。开发者强调该能力仅用于预设任务执行，不会擅自修改系统设置或删除文件。

此次技术调整将进一步拓展人工智能在办公自动化领域的应用边界，为多任务处理场景提供更完整的解决方案。

谷歌Gemini 3.5 Flash展示Computer Use操作能力

谷歌展示Gemini 3.5 Flash模型通过Computer Use功能实现自主界面交互。该技术允许AI读取屏幕状态并执行操作，包括点击、输入等行为，同时具备任务理解能力。

应用环境测试详情

在真实应用界面测试中，该模型完成73次操作回合。通过持续探索功能结构，最终将触达能力归纳为5类体系。

73个操作回合中逐步探索应用功能结构，最终抽象出5类能力体系。

• 读取界面截图及UI结构信息
• 识别当前操作步骤及下一步交互对象
• 执行点击、滚动等基础操作
• 在功能模块间进行切换验证
• 归纳可访问性问题与观察结果

移动端网页评估过程

测试人员观察到该模型在移动端网页环境中进行62次操作回合，完成连续评估流程。主要包含屏幕状态读取、操作选择、功能入口点击等环节。

62次操作回合后将可访问性问题与观察结果归纳为4个改进方向。

谷歌内部测试显示，该技术在执行链路中设有安全约束机制。技术人员指出，模型需在受控环境中完成交互操作，确保符合安全规范。

Google Gemini 3.5 Flash新增界面适配功能

据最新披露，Gemini 3.5 Flash模型在用户交互环节引入双验证机制。系统会在执行敏感操作时触发人工确认流程，该机制适用于所有界面类型。

风险识别技术革新

不同于传统Agent系统的单点校验，Gemini 3.5 Flash新增了多层级风险预警模块。当检测到潜在风险行为时，模型会自动暂停操作并提示用户二次确认。

这种设计能够有效应对隐蔽性攻击行为，例如通过界面元素排列组合实施的非直接威胁。

"系统会主动打断流程"的技术实现方式，包含操作路径分析与风险权重计算两个核心环节。

• 技术验证维度：实时监测操作序列与用户行为模式
• 风险判定标准：结合威胁情报库进行概率评估
• 响应机制：提供可选项式确认窗口而非强制停顿

跨平台操作适配能力

该模型已实现对浏览器、桌面系统及移动设备界面的统一适配。无论用户通过何种终端设备进行交互，系统都能保持操作链路完整性。

具体实施方式包括：界面元素识别算法升级、跨平台交互协议优化、多设备同步验证机制。

上述能力覆盖范围已达98%主流界面类型。

• 技术支撑：采用分层解析架构处理不同界面协议
• 兼容策略：构建统一操作指令映射表
• 验证范围：包含窗口管理、文件系统、网络连接等维度

谷歌Gemini 3.5 Flash支持Computer Use功能对齐前沿模型基准表现

谷歌Gemini 3.5 Flash在官方基准测试中，通过新增Computer Use功能，实现了与主流AI模型性能的对标。该功能使模型能够执行浏览器操作、文档处理等复杂任务，显著提升实际应用场景中的操作效率。

模型能力升级路径

Computer Use功能允许模型直接与计算机界面交互执行操作，包括点击、输入等行为。这一技术突破使得Flash版本在完成多步骤任务时，可实现连续动作的稳定输出。

据测试数据显示，该功能使Flash在执行长周期任务时的耗时降低约35%，同时错误率控制在5%以内。这些参数表明其具备替代传统自动化工具的可行性。

行业竞品动态对照

• Anthropic于2024年10月率先推出类似功能，面向开发者开放API调用
• OpenAI的Operator功能已实现网页表单填写、订单处理等具体场景的自动化
• 谷歌选择将此功能植入Flash版本，主要考量其成本效益优势

谷歌可能通过此技术补足其在AI执行能力上的短板，同时借助轻量化优势拓展市场覆盖范围

技术经济学逻辑

Flash版本因采用轻量架构，可承受更高频率的任务循环。据行业观察，该模型每秒可处理约7.2个操作步骤，较前代产品提升2.8倍。

这种能力升级使Flash既能作为基础工具满足日常需求，又能通过功能扩展提升商业价值，形成技术与市场的双向驱动效应。

Computer Use可实现多界面数据整合

多场景操作用户可通过该工具完成网页、后台与表格的自动化切换任务。

跨界面工作流场景解析

特定职业群体需在不同数字界面间频繁执行操作动作。例如运营人员需同步监控多个平台数据，产品测试者需对比不同系统参数。

用户可授权AI完成信息抓取并生成结构化输出，替代人工逐个界面操作。

• 覆盖网页浏览、后台管理、表格处理等基础操作
• 支持多源信息统一化整理功能
• 降低重复性操作时间成本

系统设计强调工作流的端到端执行能力，用户仅需设定目标与规则即可完成复杂操作序列。

该技术方案被认为能显著提升数字劳动效率，适用于需要多界面协同的业务场景。