Googleは、10月7日、UIと対話可能なエージェントを実現する新しい専用モデル「Gemini 2.5 Computer Use」のパブリックプレビュー版をGemini API経由で公開した。
本モデルは、Gemini 2.5 Proの視覚理解・推論機能を基盤としている。複数のWeb・モバイル制御ベンチマークにおいて、主要な代替モデルを超える低レイテンシを実現している。
汎用エージェントがタスクを完了するためには、クリック、入力、スクロールといった操作によってWebページやアプリケーションを操作する必要があるが、Gemini 2.5 Computer Useはこうした操作性を強化するモデルだ。
このモデルのコア機能は、Gemini API の新しいcomputer_useツールを通じて公開され、ループ内で操作される。ツールへの入力は、ユーザーリクエスト、環境のスクリーンショット、および最近のアクション履歴。モデルはこれらの入力を分析し、クリックや入力などのUIアクションを表す関数呼び出しのレスポンスを生成する仕組み。
ユーザーは、Google AI StudioおよびVertex AIのGemini APIを通じてこれらの機能にアクセスできる。
- 関連リンク
この記事は参考になりましたか？
- この記事の著者
-
CodeZine編集部（コードジンヘンシュウブ）
CodeZineは、株式会社翔泳社が運営するソフトウェア開発者向けのWebメディアです。「デベロッパーの成長と課題解決に貢献するメディア」をコンセプトに、現場で役立つ最新情報を日々お届けします。
※プロフィールは、執筆時点、または直近の記事の寄稿時点での内容です
