谷歌近日宣布推出Gemini 2.5计算机使用模型，这是一款基于Gemini 2.5 Pro视觉理解与推理能力打造的专用工具，旨在让AI智能体具备直接操作图形用户界面（GUI）的能力，包括点击、输入文字和滚动屏幕等人类操作。
开发者现已可通过Google AI Studio和Vertex AI中的Gemini API访问该模型的公开预览版。相关文档已同步上线，开发者可参考链接了解具体使用方法。
谷歌指出，当前AI模型主要通过结构化API与软件交互，但许多日常数字任务仍需直接操作图形界面，例如填写表单、提交信息等。这类任务要求AI智能体能像人类一样浏览网页和应用程序，而原生支持表单填写、下拉菜单操作和登录后操作的能力，是构建通用型智能体的关键突破。
该模型的核心功能通过Gemini API新增的computer_use工具实现，采用循环运行机制。其工作流程分为四步：首先接收用户请求、屏幕截图和操作历史作为输入，开发者可指定排除某些操作或添加自定义函数；随后模型分析输入并生成UI操作指令，如点击或输入；客户端代码执行操作后，将新的屏幕截图和URL反馈给模型，形成持续迭代，直至任务完成或因安全、用户决策等原因终止。
技术文档显示，该模型特别针对Web浏览器环境优化，同时在移动UI控制任务中展现出潜力，但尚未适配桌面操作系统级别的深度控制。
性能测试表明，Gemini 2.5计算机使用模型在多个Web和移动控制基准测试中表现优异。在Browserbase平台的Online-Mind2Web测试中，该模型在浏览器控制质量和响应延迟方面均领先于市场主流方案。
针对AI控制计算机可能引发的安全风险，谷歌构建了多层次防护体系。模型训练阶段即融入安全功能，重点防范三类核心威胁：用户滥用、意外行为及Web环境中的提示注入攻击。开发者可通过两项安全控制工具进一步约束模型行为：逐步安全服务会在每次操作前进行独立评估，系统指令功能则允许开发者设定高风险操作（如绕过验证码、控制医疗设备）的拒绝或用户确认规则。
这些安全措施旨在帮助开发者规避系统破坏、安全威胁等高风险行为，确保AI智能体在合规框架内运行。
