1. 一个 专门用于“电脑操作 / 界面操作（Computer Use）” 的模型，基于 Gemini 2.5 Pro 的视觉理解和推理能力构建。
  2. 通过 Gemini API 向开发者开放，用于构建“代理”（agent），这些代理可以直接与用户界面（UI）交互 —— 比如点击、输入、滚动等操作。
  3. 既支持网页浏览器操作，也在移动界面上表现有潜力，但目前还没优化用于桌面操作系统层面的控制。

工作机制 / 设计方式：

  1. 模型通过一个新的 computer_use 工具暴露给 API 客户端：给它用户请求 + 当前界面截图 + 操作历史，它输出一个动作（如点击 / 输入）或请求用户确认的指令。
  2. 客户端收到动作后，在真实界面上执行（例如在浏览器里点某个按钮、填表单等），然后将新的截图和界面状态反馈给模型，进入下一轮循环，直到完成任务或遇到错误或安全终止。
  3. 在设计中，允许开发者对“高风险动作”（如购买、系统改动等）设定必须 “用户确认” 或 “拒绝” 策略，从而增强安全性。
  4. 在每一步还会有一个 安全服务（per-step safety service）对模型提议的动作做评估，防止模型执行有害或越界操作。

性能、用途与安全考虑

  1. 在几个主流基准测试（web / mobile 控制任务等）中，Gemini 2.5 Computer Use 在准确性与低延迟之间取得了比较好的平衡，据称优于现有竞争模型。
  2. 目前已被 Google 内部用于 UI 测试、以及在一些产品如 AI 模式里的代理能力等场景中。
  3. 安全方面，Google 在模型内部就加入了风险控制机制，并提供给开发者安全控制选项，限制模型执行某些敏感或危险操作。
  4. 目前该模型处于公开预览（public preview）阶段，开发者可以通过 Gemini API, AI Studio 或 Vertex AI 访问。