谷歌发布Gemini25ComputerUseGemini3的前菜

谷歌发布新模型了！

别激动，不是你想的 Gemini 3 。

10 月 8 日，谷歌虚晃一枪，发布了一个 Agent 模型： Gemini 2.5 Computer Use 。

见名知意，Computer Use，这个模型是用来自动操作电脑的。

而在 AI 操作电脑这一块，谷歌也并不是第一个吃螃蟹的人。

早在 2024 年 10 月，Anthropic 就率先推出了基于 Claude 3.5 Sonnet 模型的 Computer Use 功能；随后，OpenAI 于今年初发布了能自主操作浏览器的 Operator 智能体，它背后就是 CUA（Computer-Using Agent）技术。

01｜新模型到底能做什么？

看完下面两个来自谷歌官方的演示，你就知道 Gemini 2.5 Computer Use 能做什么了。

场景一：

从宠物登记网站提取所有宠物的信息 → 自动添加到 CRM 管理系统 → 预约 10 月 10 日的专家复诊。

整个过程全部由 AI 自己完成，包括在不同网站间切换、填表、选择日期。

场景二：

一个贴满便签的任务板，AI 自动识别每个便签的内容，然后拖拽到正确的分类区域。

AI 是真的在“理解”屏幕内容，然后决定下一步该怎么做。

02｜核心原理：像人一样操作界面

老粉应该都知道，谷歌的 Gemini 模型有两大“哇塞”：一个是“上下文长度”，一个是“多模态”。

Gemini 2.5 Computer Use 就是基于 Gemini 2.5 Pro 的多模态能力构建而来。

它的工作流程其实和 Anthropic、OpenAI 的大同小异。

截图分析：AI 获取当前屏幕截图

理解内容：分析页面上的元素、文字、按钮

执行操作：生成具体动作（点击、输入、拖拽）

验证结果：查看操作后的新界面，决定下一步

整个过程会循环进行，直到任务完成。

这种方式不需要网站提供 API，任何人能操作的界面，理论上 AI 都能操作。

当然也有局限。

目前，Computer Use 模型大多针对网页浏览器优化，因为质量最高。

桌面端应用的支持还很有限。

03｜性能数据：再次 SOTA

谷歌的模型再次 SOTA（State of the art，表示最好）了！

这也是为什么 Gemini 2.5 Computer Use 值得一提的关键原因。

下面是谷歌公布的基准测试结果对比。

各项测试 Gemini 2.5 Computer Use 的表现都超越了 Anthropic 的 Claude 模型和 OpenAI 的 CUA 模型。

此外，Computer Use 模型还有一个关键指标：延迟（Latency）。

毕竟，没人愿意看着 AI 慢吞吞地操作。

根据 Browserbase 的独立测试， Gemini 2.5 Computer Use 在保持高质量的同时，比 Anthropic 和 OpenAI 快了约 30-50%。

需要额外说明的是，虽然 Gemini 2.5 Computer Use 的操作速度已经比竞品快，但仍然比人类正常水平慢不少。

04｜如何开始使用

两种方式体验 Gemini 2.5 Computer Use 。

首推 Browserbase 托管的演示环境，最简单，直接在线体验，完全免费。

https://gemini.browserbase.com/

开发者还可以通过谷歌 AI Studio 或 Vertex AI 获取 API 进行开发。

附上 Computer Use 开发者文档地址。

https://cloud.google.com/vertex-ai/generative-ai/docs/computer-use

结语

几点感受：

虽然 Computer Use 现在看起来还像是玩具，但它真的能解决问题。特别是那些重复性的、跨平台的任务。

自动化门槛在降低。以前要实现自动化，你需要会写代码、了解 API、配置环境。现在只要会描述任务就行。

别低估了它带来的影响。当 AI 能操作所有软件时，意味着人类的软件资源都会变成 AI 的工具库。

技术在进步，落地还需要时间。

最后，附上谷歌 AI Studio 产品负责人 Logan Kilpatrick 打的一个“哑谜”。