Agentic Vision 是一項新功能，旨在提升 Gemini 3 Flash 模型在圖像相關任務的準確性，通過「根據視覺證據提供答案」。像 Gemini 這樣的前沿 AI 模型通常以靜態的方式處理世界，若錯過細微的細節，例如微芯片上的序列號或遙遠的街道標誌，則需進行猜測。這種新方法將「視覺視為主動調查」，未來會結合視覺推理和代碼執行等其他工具。
為了通過圖像回答提示，Gemini 3 Flash 將制定「逐步放大、檢查和操作圖像的計劃」。具體而言，Agentic Vision 利用「思考、行動、觀察循環」。在思考階段，模型分析用戶查詢和初始圖像，制定多步計劃；在行動階段，模型生成並執行 Python 代碼，主動操作圖像（例如裁剪、旋轉、標註）或進行分析（例如運行計算、計數邊界框等）；在觀察階段，轉換後的圖像將附加到模型的上下文窗口，讓模型能在生成最終回應前更好地檢查新數據。
Gemini 3 Flash 不僅僅是描述所給的圖像，它還能「執行代碼直接在畫布上進行推理」。例如，在 Gemini 應用中，當用戶要求「計算手上的數字」時，為了避免計數錯誤，該模型使用 Python 在識別的每根手指上繪製邊界框和數字標籤。這種視覺草稿確保其最終答案基於精確的像素理解。
同時，當 Gemini 3 Flash 偵測到圖像中的細微細節時，會進行放大。Agentic Vision 還能「解析高密度表格並執行 Python 代碼以可視化結果」。傳統的 LLM 在多步視覺算術中通常會出現幻覺，而 Gemini 3 Flash 通過將計算卸載到確定性的 Python 環境來避免這一問題，從而用可驗證的執行替代概率性猜測。
Agentic Vision 為 Gemini 3 Flash 帶來了「在大多數視覺基準上持續提升 5-10% 的質量」。這項新功能開始在 Gemini 應用中隨著思考模型的推出而展開，對於開發者而言，今天可以通過 Google AI Studio 和 Vertex AI 中的 Gemini API 獲得。未來，Gemini 3 Flash 將能更好地進行圖像旋轉或執行視覺數學，而無需「明確的提示來觸發」。目前，Agentic Vision 將隱性決定何時進行放大。
除了代碼執行，未來的工具將允許 Gemini 利用網絡和反向圖像搜索來進一步「基於世界的理解」。Agentic Vision 將會在其他 Gemini 模型中也可用。
