The Verge
·
谷歌最新的AI模型像你一样使用网页浏览器
内容提要
谷歌推出了Gemini 2.5 AI模型，能够在浏览器中模拟人类操作，如点击、滚动和输入，执行无需API的数据任务。该模型具备视觉理解和推理能力，适用于用户界面测试和与人类设计的界面互动。目前支持13种操作，性能优于竞争对手，开发者可通过Google AI Studio和Vertex AI访问。
关键要点
-
谷歌推出了Gemini 2.5 AI模型，能够在浏览器中模拟人类操作，如点击、滚动和输入。
-
该模型可以执行无需API的数据任务，适用于用户界面测试和与人类设计的界面互动。
-
Gemini 2.5具备视觉理解和推理能力，支持13种操作，包括打开浏览器和输入文本。
-
该模型的性能优于竞争对手，开发者可通过Google AI Studio和Vertex AI访问。
-
谷歌展示了该模型的演示视频，显示其在浏览器中完成任务的能力。
延伸解读
Gemini 2.5的应用场景
Gemini 2.5 AI模型的推出为用户界面测试和数据访问提供了新的可能性。它能够在没有API的情况下执行任务，适合需要与人类设计的界面互动的场景。这使得开发者可以更高效地进行产品测试和优化，尤其是在用户体验方面。
与竞争对手的比较
谷歌的Gemini 2.5在性能上优于其他竞争对手，如OpenAI的ChatGPT Agent和Anthropic的Claude AI。这一优势主要体现在其专注于浏览器操作，而不是整个计算机环境，显示出其在特定任务上的高效性。
当前的局限性
尽管Gemini 2.5表现出色，但它仍然存在局限性。目前仅支持13种操作，且尚未优化用于桌面操作系统级别的控制。这意味着在某些复杂任务中，可能无法完全替代人类操作。
延伸问答
Gemini 2.5 AI模型的主要功能是什么？
Gemini 2.5 AI模型能够在浏览器中模拟人类操作，如点击、滚动和输入，执行无需API的数据任务。
Gemini 2.5支持哪些操作？
该模型支持13种操作，包括打开浏览器、输入文本和拖放元素。
Gemini 2.5与其他AI模型相比有什么优势？
Gemini 2.5的性能优于竞争对手，并在多个网页和移动基准测试中表现出色。
开发者如何访问Gemini 2.5模型？
开发者可以通过Google AI Studio和Vertex AI访问Gemini 2.5模型。
Gemini 2.5模型适合哪些应用场景？
该模型适用于用户界面测试和与人类设计的界面互动。
谷歌是否展示了Gemini 2.5的演示？
是的，谷歌展示了Gemini 2.5的演示视频，显示其在浏览器中完成任务的能力。
