Google DeepMind 在官方博客发布文章，宣布为 Gemini 3.5 Flash 引入 computer use（计算机操作）能力。
所谓 computer use，通常指模型不再只依赖结构化 API 或纯文本输入，而是通过读取屏幕画面理解当前界面，并直接输出点击、输入、滚动等操作指令，像人一样在图形界面中完成任务。这类能力把模型从"对话与生成"推向"执行"，也让 Agent 的落地范围从代码与工具调用，扩展到浏览器、桌面软件以及各类没有开放接口的系统。
值得关注的是这次能力所处的模型档位。在 Gemini 产品线中，Flash 通常对应更强调响应速度与调用成本的定位，而 computer use 恰恰是 token 消耗较大、需要多轮"截图—推理—操作"循环的任务类型。两者结合，意味着这类功能可能更多面向高频、规模化、需要嵌入实际业务流程的场景，而非演示性质的单次尝试。
对从业者而言，接下来需要观察的通常是几件事：操作的准确率与容错机制，长流程任务中如何避免误操作，以及权限控制、审计与安全边界如何设计。当模型可以直接操作真实界面，一次错误不再只是一句答错的话，而可能是一次不可逆的提交或删除，这也让评测与护栏成为与能力本身同等重要的部分。
原文链接：https://deepmind.google/blog/introducing-computer-use-in-gemini-3-5-flash/