Introducing computer use in Gemini 3.5 Flash

Google DeepMind 在 Gemini 3.5 Flash 中引入了计算机使用功能，使模型能够像人类一样操作桌面环境（点击、滚动、输入等）。关键方法是通过视觉输入（截图）和动作输出的端到端训练。初步结果显示在任务自动化（如填写表单、网页浏览）上表现良好，但仍有延迟和精度问题。

1. 导购/agent 产品：此功能可增强 agent 的 GUI 操控能力，例如自动填写表单、跨平台操作，但需评估延迟和稳定性是否满足实时推荐场景。
2. 技术选型：此前更关注 tool-use API，现需增加对 GUI 操控的关注。若延迟可接受，可作为兜底方案处理无法通过 API 完成的操作。
3. 下一步：阅读原始论文了解具体架构，搭建原型测试在导购场景下的实用性（如自动登录、查询订单）。