Gemini 2.5 Computer Use (Preview)

概述

Gemini 2.5 Computer Use 是基于 Gemini 2.5 Pro 视觉理解与推理能力而构建的专用模型，面向通过浏览器等图形界面执行业务操作的智能体（agent）场景。该模型以 Preview 形式通过 Gemini API 在 Google AI Studio 与 Vertex AI 向开发者开放。

工作机理与能力

模型通过新的 computer_use 工具以循环（agent loop）方式运行：输入包含用户目标、当前界面截图与近期动作历史；模型输出为规范化的 UI 动作（如点击、输入、拖拽等）的函数调用，同时可能附带对高风险动作的确认请求。客户端负责执行动作并回传新截图与 URL，直至任务完成或中止。

当前模型主要针对浏览器环境进行了优化，并在移动端 UI 控制基准上显示出良好潜力；尚未针对桌面 OS 级控制进行优化。

技术规格（公开信息）

• 模型版本（API id）：gemini-2.5-computer-use-preview-10-2025
• 输入模态：文本、图像（截图）；输出模态：文本
• 上下文窗口：输入 128K tokens；最大输出 64K tokens

性能与评测

Google 公布的自测与第三方环境（如 Browserbase harness）显示，该模型在 Online-Mind2Web、WebVoyager 与 AndroidWorld 等多项网页/移动控制基准上达到领先准确率与较低时延。具体分数及方法学细节见官方博文与随附的评估说明。

访问与定价

模型以 API 方式提供（AI Studio/Vertex AI）。Vertex AI 定价页提供了 Gemini 2.5 Pro — Computer Use (Preview) 的令牌计费：当输入上下文 ≤200K tokens 与 >200K tokens 时，输入/输出分别采用不同单价；若无在该模型项下明确列出的“缓存计费（Cached Input）”，则不应填入缓存单价。

应用与限制

适合：跨站信息采集、表单自动化、网页流程/用例测试、在登录态下操作 UI 等。限制：Preview 阶段可能产生错误与安全风险；需在受控环境运行，并对高风险动作实施二次确认与审计。