У Gemini появилось агентное зрение

Google фактически изменил сам принцип работы Gemini с изображениями. Если раньше модель просто анализировала картинку целиком и отвечала на основе общего восприятия ^[1], то теперь она действует как исследователь. Gemini использует цикл «думай, действуй, наблюдай» и сама решает, какие операции нужно выполнить, чтобы лучше понять сцену.

На практике это выглядит так. Если на изображении есть мелкие детали, модель не гадает, а генерирует и исполняет код для увеличения фрагмента, обрезки нужной области или разметки объектов. При подсчете предметов Gemini сначала выделяет их рамками, нумерует и только потом считает. Это резко снижает количество ошибок, которые раньше возникали из за визуальных галлюцинаций.

Отдельно прокачали работу с таблицами и графиками. Вместо интерпретации «на глаз» модель теперь извлекает данные и проводит реальные вычисления через код. В результате ответы стали более строгими и проверяемыми, что особенно важно для аналитики, обучения ^[2] и работы с отчетами.

По данным Google, качество ответов в визуальных задачах выросло на 5–10 процентов. Обновление уже доступно в AI Studio, Vertex AI и в приложении Gemini в режиме Thinking. Фактически это приближает модель к полноценному визуальному агенту, который не просто смотрит на картинку, а активно с ней работает.

Делегируйте часть рутинных задач вместе с BotHub! ^[3] Для доступа к сервису не требуется VPN и можно использовать российскую карту. По ссылке ^[4] вы можете получить 100 000 бесплатных токенов для первых задач и приступить к работе с нейросетями прямо сейча��!

Источник ^[5]