Gemini 3.5 Flash 把 Computer Use 做成了内置工具
6 月 24 日，Google DeepMind 宣布 Gemini 3.5 Flash 正式支持 Computer Use——不再是单独的模型，而是直接集成到主力 Flash 模型里。
之前想用 Gemini 做屏幕操控，得调 Gemini 2.5 Computer Use 这个独立模型。现在 3.5 Flash 自带这个能力，和函数调用、Search、Maps Grounding 放在同一个工具箱里。
能做什么
简单说，3.5 Flash 现在能"看到"屏幕、理解屏幕上发生了什么、然后用鼠标和键盘去操作。浏览器、桌面应用、移动端都在覆盖范围内。
这意味着开发者可以搭出这样的 Agent：自己打开网页、填表单、点按钮、读取结果，全程不需要人工介入。Google 举的典型场景包括持续性的软件测试、跨应用的知识工作自动化。
安全措施
Computer Use 在开放环境里跑，安全风险比封闭 API 调用大得多。Google 在 3.5 Flash 里做了几件事：
- 针对性对抗训练，让模型能识别 prompt injection 攻击
- 可选的敏感操作确认机制——遇到不可逆操作时要求用户确认
- 自动检测间接 prompt injection 并中止任务
Google 建议开发者把这些安全功能和沙箱环境、人工审核、严格的访问控制组合使用。
合作伙伴
Google 公布了几个早期合作伙伴的反馈：
- Browserbase 提供了在线 demo 环境，可以直接试用
- Browser Use 的 CEO 称赞了模型在浏览器场景下的表现
- UiPath 的高级总监提到了企业自动化场景的价值
怎么用
通过 Gemini API 和 Gemini Enterprise Agent Platform 都可以调用。Google 提供了参考实现和文档。
背景
Computer Use（让 AI 直接操控电脑屏幕）是过去一年 Agent 领域最热的方向之一。Anthropic 的 Claude 率先在 2024 年底推出了 Computer Use 功能，OpenAI 也跟进了 Operator。现在 Google 把这个能力内置到 Flash 这个偏轻量的模型里，降低了使用的门槛。
之前 Gemini 2.5 的 Computer Use 是独立模型，想用屏幕操控就得牺牲 Flash 的速度和成本优势。整合之后，开发者不用在功能和效率之间做选择了。