谷歌为Gemini 3 Flash添加了“智能视觉”功能，这种技术将视觉推理与代码执行相结合，使答案能够基于视觉证据来进行验证。据谷歌称，这一举措不仅提高了准确率，更重要的是让人工智能能够展现出全新的行为模式。
简而言之，Gemini 3 Flash不再采用一次性分析图像的方法，而是像智能体一样进行操作：它会规划处理步骤、操纵图像，并通过代码来验证相关细节，然后再给出答案。
这种工作流程形成了“思考→行动→观察”的循环：模型首先会分析输入内容及图像，从而制定出多步骤的处理方案；随后生成并执行Python代码来操纵图像、提取更多信息（如裁剪、缩放、添加注释或进行计算）；最后，将处理后的图像纳入整体分析范围，从而得出新的答案。
根据谷歌的说法，在大多数视觉评估任务中，这种技术使准确率提高了5%到10%，这一效果主要得益于两个因素。
首先，代码执行功能使得模型能够细致地观察图像中的各种细节——例如通过放大微小的文字来实现这一点，而无需依靠猜测。此外，模型还可以为图像添加边界框和标签，从而加强视觉推理能力，比如准确计算图像中物体的数量。借助这些功能，谷歌甚至成功解决了“数清手掌上的数字”这一公认困难的任务。
其次，视觉运算和数据可视化任务可以交给用Python和Matplotlib编写的确定性代码来处理，这样就能有效避免在复杂的数学计算中出现错误结果。
对于谷歌的这一公告，X平台用户Kanika评论道：
回过头来看，早期的视觉工具似乎都存在很多缺陷，因为那些模型无法进行视觉上的干预或验证。而“智能视觉”技术显然代表了未来的发展方向。
这一技术的意义重大。它让人工智能真正具备了视觉推理能力，从而可以应用于实体的物理机器人中。这样一来，机器人将拥有更强的环境感知能力和自主行动能力。
还有其他红迪网用户指出，ChatGPT早就通过“代码解释器”实现了类似的功能；不过，它仍然无法准确数清手掌上的数字。
谷歌对于“智能视觉”技术的规划还包括：让系统能够在没有明确指令的情况下自动执行缩放、旋转等操作；添加网页搜索和逆向图像搜索等功能，为模型提供更多分析依据；以及将这一技术扩展到Gemini系列中的其他模型上。
通过谷歌AI Studio和Vertex AI中的Gemini API，可以使用“Agentive Vision”这一功能，而且它已经开始在Thinking模式下被集成到Gemini应用程序中并逐步投入使用。