直接使用大模型通过界面来操作电脑和浏览器：谷歌发布Gemini 2.5 Computer Use 模型，重塑 AI 与界面交互能力，实测优秀~
就在昨天，2025年10月7日，Google DeepMind 正式发布其最新模型——Gemini 2.5 Computer Use。该模型基于 Gemini 2.5 Pro 的视觉理解与推理能力，新增了“界面交互（UI 控制）”能力，能够在浏览器或移动端界面上像人类那样点击、输入、滚动、选择控件等操作。
Gemini 2.5 Computer Use在多项 UI 自动化基准测试上，以更低延迟和更高准确率 大幅领先于现有同类产品。
本文将介绍一下这个模型，同时要给出用这个模型操作DataLearnerAI网站的实例，结果很不错~
一、为什么我们需要一个可以基于UI界面操作的大模型AI Agent
当前大模型的计算机使用主要依赖接口：你可以让模型调用接口完成上传图片、提交表单、查数据库等。
但许多现实任务，如提交网页表单、操作后台管理系统或控制移动 App，本质上都依赖图形界面（GUI），而非 API 调用。
这造成了一个长期痛点：
模型能理解任务，却无法完成最后的点击。
尽管已有部分模型尝试界面控制，它们常常受限于特定页面结构、动作库有限、上下文理解不准确、出错时恢复能力脆弱。常见问题包括：表单自动填写失败、复杂下拉菜单无法适配、异常情形不能自我纠错。
Gemini 2.5 Computer Use 模型的推出，正是为了填补这一空白。它构建在 Gemini 2.5 Pro 的视觉和推理基础上，专为 UI 交互优化，解决了代理在真实世界任务中的“最后一公里”问题。不同于以往版本的被动响应，这款模型主动“观察”截图、分析历史动作，并生成精确指令，形成闭环迭代。结果？代理不再是哑巴助手，而是能自主适应变化的智能操作者，大幅减少人为干预，推动 AI 从辅助工具向全能伙伴的跃进。
二、Gemini 2.5 Computer Use 模型不仅速度快，而且各方面水平都很好
在性能上，Gemini 2.5 Computer Use 模型展现出无可匹敌的领先。它在多个权威基准测试中脱颖而出，包括 Online-Mind2Web、WebVoyager 和 AndroidWorld，这些测试涵盖了从网页导航到移动控制的复杂任务。
下图展示了Gemini 2.5 Computer Use模型与当前最强模型在计算机使用方面的评测结果：
可以看到，Gemini 2.5 Computer Use模型各方面表现都很强，都明显由于其它模型：
- 在 Online-Mind2Web、WebVoyager 和 AndroidWorld 基准上，该模型均夺得第一名。
- 在 Browserbase 的整合测评中，它在浏览器控制任务中的 准确率超过 70%，而延迟却保持在极低水平（典型任务从截图输入到动作输出的平均延迟仅约 225 ms）。
- 在延迟-准确率散点图中，它位于低延迟与高准确率象限的极端位置：几乎没有其他模型能同时兼顾这两项指标。
来自早期合作方的反馈也认为Gemini 2.5 Computer Use模型非常不错： - Poke.com 表示其流程速度比“次优方案”快 50%； - Autotab 报告其在最难评测中的表现比竞品高出 18%； - Google 内部支付平台团队 引入该模型后，曾造成 25% 的 UI 测试失败率中的那部分脆弱流程中，有 60% 的执行失败能被模型自动恢复，节省了大量人工干预。
从数据来看，Gemini 2.5 Computer Use 在多个维度都取得了 显著提升：延迟减少、准确率提升、任务成功率增强、错误恢复能力增强。这些量化指标足以支撑其在 UI 控制领域的领先地位。
三、Gemini 2.5 Computer Use实测：去DataLearnerAI网站上比较DeepSeek-R1模型和Kimi K2模型
当前，Browserbase提供了一个Gemini 2.5 Computer Use的体验地址，我们测试了一下，在对话框中输入：
compare deepseek-r1 with kimi k2 model on datalearner.com，也就是用datalearner.com对比下过程最强的2个大模型DeepSeek-R1模型和Kimi K2。
Gemini 2.5 Computer Use成功完成了我们的任务，主要过程截图如下：
上面的例子可以看出来Gemini 2.5 Computer Use模型是可以准确理解意图并进行操作的。显然，Gemini 2.5 Computer Use不太可能训练过我们DataLearnerAI的大模型对比工具功能（因为它才上线几个月），但是理解准确性还是不错的。
不过，整个过程用了5分钟，的确是有点慢！
四、Gemini 2.5 Computer Use模型最大的价值是从视觉分析到自主执行的智能闭环
Gemini 2.5 Computer Use 模型的核心在于其“计算机使用”工具（computer_use）。它接收用户请求、当前环境截图和近期动作历史作为输入，然后输出 UI 操作指令，如点击、输入或滚动。这些指令支持自定义函数扩展，甚至可排除敏感操作，确保灵活性。
Gemini 2.5 Computer Use模型最高支持 32K输入 和32K的输出长度，足以处理复杂多步任务，而其视觉推理能力让它能“读懂”屏幕元素，就像人类浏览网页一样。
具体来说包括：
视觉 + 上下文理解：识别界面元素结构
该模型能够从界面截图中识别按钮、输入框、下拉框、滑块、选单、页签等常用控件。它不仅识别控件的位置，还能理解控件的语义（比如“提交”、“登录”、“下一步”）。
这意味着：当页面复杂、有多个层级、控件标识文本不规则时，它仍能准确定位目标操作对象。举例：用户请求“在某个网盘页面点击‘上传’按钮”，模型可在视觉上确定哪个图标最可能是上传控件，并进行点击。
多步操作串联 + 状态回环感知
模型不是一次性操作，而是基于循环机制：每一步执行后拿到新的界面截图、URL 与历史动作，继续推理下一步。
这带来的好处是：即便中间页面跳转、加载延迟、异步刷新、错误弹窗出现，模型也能识别“当前状态 vs 预期状态”的差异，重新修正操作路径。这种反馈—修正—继续执行的闭环控制，是在复杂场景下稳定执行的关键。举例：如果点击“下一步”后出现验证码弹窗，模型能判断当前任务被阻断，可能触发用户确认或选择绕过策略。
高阶交互行为：拖拽、排序、筛选、登录、验证
除了点击与输入，Gemini 2.5 Computer Use模型还支持更加复杂的 UI 操作，例如：
- 拖拽与元素重排序：在可视化编辑画布、看板、图表界面中，模型可拖动组件、重新排列布局；
- 滤选与筛选控件：在下拉列表、复选框、滑块中做条件筛选；
- 登录与会话维持：模型可以模拟登录流程、填写账户/密码、处理验证码（在用户确认或授权的条件下）并保持会话状态连续；
- 高安全场景的确认策略：对于高风险操作（如支付、账户修改、权限变更等），模型可请求 用户确认 或开发者设定的安全策略。
五、Gemini 2.5 Computer Use的安全控制机制
为防范风险，Google 在模型层面与运行时均加入安全机制：
- 逐步安全服务（per-step safety）：每个动作在客户端执行前，由一个独立服务校验其风险；
- 开发者策略指令：开发者可在策略层面指定某类操作必须询问用户确认 或 被拒绝（如绕过 CAPTCHA、控制设备、执行系统级操作等）；
- 训练阶段内置安全策略：让模型本身“学习”拒绝高风险行为、识别 prompt 注入、避免滥用。
这些机制共同保证：即便模型能“动”界面，也不会越过权限边界或未经授权操作。
六、Gemini 2.5 Computer Use总结以及在线体验地址
目前，Gemini 2.5 Computer Use 已进入公共预览（Public Preview），开发者可通过 Gemini API 在 Google AI Studio 或 Vertex AI 中使用。
此外，在 Chrome 浏览器环境中，可在 Browserbase 提供的 Demo 环境中测试 Agent 行为效果。
总体而言，Gemini 2.5 Computer Use 模型 是 Google 在 UI 控制领域的一次重大突破。它使得 AI Agent 真正具备“看得见界面、能动界面、能恢复故障”的能力。这对于自动化办公、AI 助手、软件测试、工作流集成等应用有巨大潜力。
关于Gemini 2.5 Computer Use模型的其它信息和在线体验地址可以参考DataLearnerAI大模型信息卡地址：https://www.datalearner.com/ai-models/pretrained-models/gemini-2-5-computer-use-preview-10-2025
