谷歌的ComputerUse模型来了！股票实盘配资平台
今天凌晨，谷歌DeepMind重磅发布了基于Gemini2.5的计算机使用模型Gemini2.5ComputerUse。
考虑到前些天谷歌才刚刚发布了ChromeDevTools(MCP)，Gemini2.5ComputerUse的诞生倒不是特别让人惊讶。简单来说，与OpenAI的Computer-UsingAgent(CUA)类似，DeepMind的这个模型可让AI直接控制用户的浏览器——在视觉理解和推理能力的基础上，该模型可以帮助用户在浏览器中执行点击、滚动和输入等操作。
先来看两个官方演示。
提示词：Fromhttps://tinyurl.com/pet-care-signup,getalldetailsforanypetwithaCaliforniaresidencyandaddthemasaguestinmyspaCRMathttps://pet-luxe-spa.web.app/.Then,setupafollowupvisitappointmentwiththespecialistAnimaLavarforOctober10thanytimeafter8am.Thereasonforthevisitisthesameastheirrequestedtreatment.
提示词：Myartclubbrainstormedtasksaheadofourfair.TheboardischaoticandIneedyourhelporganizingthetasksintosomecategoriesIcreated.Gotosticky-note-jam.web.appandensurenotesareclearlyintherightsections.Dragthemthereifnot.
可以看到，不管是收集网络信息与执行动作，还是整理杂乱笔记，Gemini2.5ComputerUse都非常准确地完成了任务，同时速度也相当快。
在相关基准上，Gemini2.5ComputerUse的性能表现也达到了SOTA水平：
同时，其速度表现也优于其它几个相比较的模型：
目前，开发者已可以通过GoogleAIStudio和VertexAI的GeminiAPI获取这些能力。用户也可以在Browserbase托管的演示环境中试用（最多仅支持5分钟的流程，且不支持用户中途接管）：https://gemini.browserbase.com/
机器之心使用该演示环境做了几次尝试。整体来看，Gemini2.5ComputerUse在完成简单任务时准确度较高，但稍微复杂一点的任务就容易失败。
比如在执行「在维基百科上找到JohnWick页面」这样的简单任务时，该模型的表现非常成功。
但只要稍微复杂一点，该模型就失败了，比如「在维基百科上找到JohnWick页面，并总结其信息，给出中文版。」另外，我们让其「打开诺贝尔奖官方网站，给出今年诺贝尔将宣布的时间表」的任务以及以下任务均未能成功完成。
提示词：浏览jiqizhixin.com，找到近半年关于Gemini的报道，并整理成一份Markdown文件，并进行总结。
此外，DeepMind也已经发布了Gemini2.5ComputerUse系统卡：
Gemini2.5ComputerUse的工作原理
该模型的核心能力是通过GeminiAPI中新增的computer_use工具实现的，开发者使用时需在一个循环流程（loop）中运行。
其输入应包括：
用户请求；
当前环境的截图；
最近执行动作的历史记录。
另外，输入中还可以指定是否从默认支持的UI动作中排除特定功能以及添加自定义函数。
Gemini2.5ComputerUse模型工作流程
模型分析这些输入后，会生成响应，通常是一个代表UI动作的函数调用（如点击或输入）。在某些操作（如购买行为）中，模型还会请求用户确认。客户端随后会执行这些动作。
动作执行完成后，系统会将最新截图与当前URL作为函数响应返回给模型，重新启动循环。
这一迭代过程会持续进行，直到任务完成、出现错误，或因安全机制或用户决定而终止。
谷歌表示，当前Gemini2.5ComputerUse模型主要针对网页浏览器优化，但在移动端UI控制方面也展现出强劲潜力。不过它暂未针对桌面操作系统级控制进行优化。
安全机制设计
谷歌还在博客中分享了他们对该模型的安全机制设计。
谷歌表示：「负责任地构建智能体是让AI造福所有人的唯一途径。能够直接操作电脑的AI智能体带来了特有的风险，包括用户恶意使用、模型意外行为、以及网页环境下的提示词注入与诈骗。因此，我们在设计中高度重视安全防护。」
在Gemini2.5ComputerUse模型中，谷歌直接在训练阶段融入安全机制，以应对三类主要风险（详见系统卡）。
此外，谷歌还为开发者提供安全控制选项，防止模型自动执行潜在高风险或有害操作，例如：
损害系统完整性；
危及安全；
绕过验证码；
控制医疗设备。
谷歌实施的控制手段包括：
逐步安全服务（Per-stepSafetyService）：在推理阶段，由独立安全服务评估每个模型拟执行的动作。
系统指令（SystemInstructions）：开发者可设定在特定高风险操作前，智能体必须拒绝或请求用户确认。
结语
谷歌DeepMind携Gemini2.5ComputerUse高调入场，不仅在多个基准测试上展示了领先的性能，也让AI智能体领域的竞争正式进入了白热化阶段。
从OpenAI到Anthropic，再到如今的谷歌，科技巨头们正竞相定义我们与计算机交互的未来。尽管当前模型在面对复杂现实任务时仍显稚嫩，但这恰恰是技术黎明前的真实写照。今天我们看到的不仅是一个新模型，更是一个清晰的信号：键盘和鼠标的主导地位正受到挑战，一个通过自然语言直接驱动数字世界的时代，正加速向我们驶来。
参考链接股票实盘配资平台
配资门户提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
