快报内容

时间：2026年1月28日，谷歌DeepMind团队正式宣布这一突破性功能。

核心事件：谷歌为Gemini 3 Flash模型引入Agentic Vision（智能体视觉）能力，彻底改变AI处理图像的方式。传统AI模型对图像仅进行一次性静态扫描，若遗漏细节则只能猜测答案。而新技术赋予AI主动调查能力，通过“思考-行动-观察”循环过程，让AI能够像人类一样逐步分析复杂图像。

技术原理：当用户提交图像和查询时，模型首先分析需求并制定多步计划（思考阶段）；随后生成并执行Python代码来操作图像，包括裁剪、旋转、标注或分析（行动阶段）；最后将处理后的图像重新纳入上下文进行观察，生成基于视觉证据的最终答案（观察阶段）。这一闭环使AI从被动描述者转变为主动调查者。

实际应用：建筑图纸验证平台PlanCheckSolver.com采用该技术后，准确率提升5%。AI会自动裁剪高分辨率图纸的特定区域（如屋顶边缘），逐块检查是否符合建筑规范。在数手指的示例中，AI不仅给出数量，还通过代码在图像上标注每个手指的边界框和数字，确保结果可验证。处理复杂数据表格时，模型能解析数据并生成Matplotlib图表，用可执行代码替代概率猜测。

性能提升：官方测试显示，Agentic Vision在MMMU、HRBench、OfficeQA等多项视觉基准测试中带来5%-10%的质量提升。这一幅度在已成熟的视觉能力背景下显得尤为显著。

技术影响：Agentic Vision代表了范式转变，使多模态AI从“一次性看图”迈向“多步交互”，从“脑补细节”转向“证据寻证”，从“黑盒推理”升级为“可解释过程”。这对工程审图、工业质检、金融单据识别等错误零容忍场景具有重要意义。

未来发展：谷歌计划使Agentic Vision更加自动化，未来无需显式提示即可触发旋转图像、视觉数学等操作。还将集成网页搜索和以图搜图工具，并扩展到更多模型尺寸。

总结

谷歌Agentic Vision的发布是多模态AI发展的重要里程碑。通过将代码执行与视觉推理相结合，AI首次能够主动操纵图像进行深入分析，显著提升准确率和可靠性。这项技术不仅为专业领域带来实用工具，更重新定义了机器视觉的能力边界，为AI在复杂视觉任务中的实际应用开辟了新道路。

内容参考来源：

1. 智能体重大突破！谷歌刚发布Agentic Vision ，AI终于能像人一样观察了
2. Google 推出 Agentic Vision：会“动手”的视觉 AI
3. 不只是看图，还能动手改图——Google 推出 Agentic Vision
4. Gemini 3「开眼」像素级操控，谷歌回应DeepSeek-OCR2-36氪
5. 谷歌发布Agentic Vision：模仿人类处理图像，让AI学会“放大看”
6. 谷歌推出 Agentic Vision 了