1月27日，谷歌DeepMind团队宣布在Gemini3Flash模型基础上推出“智能体视觉”功能。这一功能通过结合视觉推理与代码执行，模仿人类“思考、行动、观察”循环处理图像，从而确立答案的视觉证据。与传统AI模型相比，Gemini3Flash能够主动调查图像，生成基于事实的最终回复。

“智能体视觉”功能的核心在于形成“思考-行动-观察”闭环。模型首先分析用户查询和初始图像，制定多步计划；然后生成并执行Python代码来主动操作图像或进行分析；最后，变换后的图像被追加到模型的上下文窗口中，利用更新后的数据和更佳的语境进行二次检查。这一机制让Gemini3Flash在多数视觉基准测试中质量提升了5-10%。

例如，在建筑图纸验证平台PlanCheckS网页链接上，利用“智能体视觉”功能让模型通过代码裁剪并分析屋顶边缘等高分辨率细节，使准确率提高了5%。此外，在处理视觉数学问题时，模型通过编写代码识别原始数据并调用Matplotlib库绘制精确图表，有效解决了大型语言模型在多步视觉算术中常见的“幻觉”问题。