Mis on Gemini 2.5 Computer Use?
Gemini 2.5 Computer Use on Google’i spetsialiseeritud nägemis-keelemudel arvuti juhtimiseks mõeldud agentidele. Nägemis-keelemudel suudab töödelda nii kirjalikke juhiseid kui ka visuaalset sisendit. Selle mudeli puhul on visuaalseks sisendiks peamiselt brauseri või tarkvaraliidese ekraanipilt.
Mudel ei juhi arvutit iseseisvalt. Selle asemel analüüsib see nähtavat kasutajaliidest ning tagastab vastuse, mis sisaldab teksti ja struktureeritud funktsioonikutseid, mis kirjeldavad tehtavaid toiminguid. Klientrakendus käivitab need toimingud, salvestab uuendatud ekraanipildi või toimingu tulemuse ning saadab selle teabe järgmise sammu jaoks mudelile tagasi.
Näiteks võib automaatikaagendile anda juhise avada veebisait, leida vorm, klõpsata väljal, sisestada andmed, kerida teise jaotiseni ja oodata lehe laadimist. Gemini 2.5 Computer Use saab välja pakkuda kasutajaliidese üksikud toimingud, kuid toimingute täitmise, õiguste haldamise, vigade käsitlemise ja turvakontrolli eest vastutab endiselt ümbritsev rakendus.
Mudeli identiteet ja hetkeseis
Kanooniline API-identifikaator on gemini-2.5-computer-use-preview-10-2025. Google tõi mudeli eelvaatena turule 7. oktoobril 2025. Selle dokumenteeritud olek on nüüd pärand-eelvaade: lõpp-punkti dokumentatsioon on endiselt saadaval ja sellele pääseb ligi, kuid uuemad Gemini 3.x mudelid toetavad arvuti kasutamist ilma eraldi spetsialiseeritud mudelita.
See olek on uue juurutuse jaoks mudeli valimisel oluline. Gemini 2.5 Computer Use võib endiselt olla asjakohane, kui olemasolev rakendus sõltub selle lõpp-punktist või kui meeskond soovib konkreetselt hinnata selle käitumist. Uue projekti puhul tuleks seda siiski võrrelda Google’i uuemate arvuti kasutamist toetavate mudelitega, enne kui otsustatakse vanema eelvaatemudeli kasuks.
Gemini 2.5 Computer Use’i tuleb eristada ka Google’i Computer Use’i tööriistast ja juurutusdokumentatsioonist. Mudel pakub arutluskäiku ja toimingukutseid; arendaja rakendus pakub brauseri, virtuaalmasina, konteineri või muu keskkonna, kus need toimingud ellu viiakse.
Mida mudel teha suudab
Mudel võtab vastu tekstijuhiseid ja ekraanipilte. Selle väljund võib sisaldada nii tavalist teksti kui ka struktureeritud kasutajaliidese toimingute kutseid. Toetatud brauseripõhised toimingud hõlmavad järgmist:
- Lehtede avamine või nendel navigeerimine.
- Kasutajaliidese koordinaatidel klõpsamine.
- Teksti sisestamine väljadele.
- Lehel kerimine.
- Klahvikombinatsioonide kasutamine.
- Kasutajaliidese elementide kohal hõljumine.
- Lehe või kasutajaliidese oleku muutumise ootamine.
Need võimalused muudavad mudeli sobivaks mitmeastmeliste töövoogude jaoks, kus agent peab reageerima nähtavale sisule, mitte järgima fikseeritud selektorite jada. See võib olla kasulik veebisaitide või siseveebirakenduste puhul, millel puudub mugav tavapärane API, kuigi visuaalne automaatika võib olla tundlik paigutuse muutuste ja ootamatute ekraanide suhtes.
Mudelit saab integreerida Gemini API ja Google’i Vertex AI eelvaatetööriistade kaudu. Funktsioonikutsed on selle arvuti kasutamise lahenduse keskne osa: rakendus peab tagastatud toimingut tõlgendama, otsustama, kas see on lubatud, selle täitma ja tulemuse edastama. Seetõttu tuleks mudeli vastust käsitleda kavandatud toiminguna, mitte automaatselt usaldusväärse käsuna.
Tehnilised näitajad ja toetatud modaalsused
| Spetsifikatsioon | Kontrollitud väärtus |
|---|---|
| Mudeliperekond | Gemini 2.5 |
| API-identifikaator | gemini-2.5-computer-use-preview-10-2025 |
| Sisendi modaalsused | Tekst ja pilt, sealhulgas ekraanipildid |
| Väljundi tüübid | Tekst ja kasutajaliidese toimingute funktsioonikutsed |
| Sisendmärgendite limiit | 128,000 märgendit |
| Maksimaalne väljund | 64,000 märgendit |
| Kättesaadavus | Pärand-eelvaade |
| Väljalaskekuupäev | 7. oktoober 2025 |
Mudel ei loo loomupäraselt pilte, heli, videot, kõnet ega embedding’uvektoreid. Selle „arvuti kasutamise” väljund on toimingutele suunatud funktsioonikutsed, mitte kasutaja seadme otsene juhtimine. Rakendus peab pakkuma täitmistsüklit ning otsustama, kuidas ekraanipilte, toimingute tulemusi ja kinnitustaotlusi käsitleda.
Hinnakujundus ja kuludega arvestamine
Google’i avaldatud hinnastuse järgi võetakse Gemini 2.5 Computer Use’i eest tasu märgendite alusel. Kuni 200,000 märgendiga päringute puhul maksab sisend $1.25 miljoni märgendi kohta ning tekstiväljund, sealhulgas vastuse- ja arutlusmärgendid, maksab $10 miljoni märgendi kohta. Üle 200,000 märgendiga päringute puhul on loetletud hinnad $2.50 miljoni sisendmärgendi kohta ja $15 miljoni väljundmärgendi kohta.
| Päringu suurus | Sisend | Väljund, sealhulgas arutlusmärgendid |
|---|---|---|
| Kuni 200,000 märgendit | $1.25 miljoni märgendi kohta | $10 miljoni märgendi kohta |
| Üle 200,000 märgendi | $2.50 miljoni märgendi kohta | $15 miljoni märgendi kohta |
Need on ainult mudeli märgenditasud. Tegeliku arvuti kasutamise süsteemiga võivad kaasneda ka brauseritaristu, virtuaalmasinate, konteinerite, salvestusruumi, monitooringu ja rakendusepoolse orkestreerimise kulud. Korduvad ekraanipildi ja toimingu tsüklid võivad suurendada märgendikulu, mistõttu sõltub töövoo kogumaksumus ülesande täitmiseks vajalike mudelipöördumiste arvust.
Arutlus, kodeerimine ja tööriistade tugi
Mudeli peamine tugevus on visuaalsete ülesannete lahendamine: see suudab siduda kirjaliku eesmärgi kasutajaliidese nähtava olekuga ja pakkuda välja järgmise kasutajaliidese toimingu. Seda ei positsioneerita üldotstarbelise kodeerimismudelina, kuigi arendajad saavad seda kasutada rakendustes, mis sisaldavad rakendusloogikat ja tööriistakäitlejaid.
Esitatud hindamistulemuste järgi on toimetuse antud arutlusoskus 7 punkti 10-st, kodeerimisoskus 5 punkti 10-st, kiirus 6 punkti 10-st ja kulu 5 punkti 10-st. Need on kataloogipõhised hinnangud, mitte Google’i avaldatud võrdlustestide tulemused, ning neid ei tohiks käsitleda ametlike jõudlusmõõdikutena.
Tööriistade tugi on mudeli kavandatud suhtlusviisi kaudu funktsioonikutsetesse sisse ehitatud. Mudel võib tagastada näiteks klõpsamise, teksti sisestamise, kerimise, klahvikombinatsiooni, hõljumise, navigeerimise ja ootamise toiminguid. See ei kontrolli iseseisvalt, kas toiming on ohutu või asjakohane. Arendajad peaksid koordinaate ja sihtmärke valideerima, piirama juurdepääsu tundlikele süsteemidele ning nõudma kinnitust tagajärjekate toimingute, näiteks ostude, konto muutmise, andmete kustutamise või sõnumi saatmise puhul.
Juurutamise ja turvalisuse nõuded
Arvuti kasutamise toimingud peaksid töötama liivakastiga brauseris, virtuaalmasinas või konteineris, mitte otse piiranguteta hostsüsteemis. Rakendus peaks järgima selget tsüklit: saata ülesanne ja praegune ekraanipilt, saada mudeli kavandatud toiming, see valideerida, täita, tulemus salvestada ning jätkata ainult siis, kui see on asjakohane.
Turvakontroll on eriti oluline, sest visuaalne agent võib kokku puutuda sisselogimislehtede, eksitavate nuppude, ootamatute hüpikakende, privaatse teabe või pöördumatute toimingutega. Mudeli tagastatud funktsioonikutse ei asenda rakenduse autoriseerimist. Meeskonnad peaksid piirama ligipääsu veebisaitidele ja tööriistadele, isoleerima mandaadid, kui võimalik, logima toiminguid ning lisama suure mõjuga toimingutele inimese kinnitusetapi.
Parimad kasutusjuhud ja piirangud
Gemini 2.5 Computer Use sobib kõige paremini järgmisteks ülesanneteks:
- Brauseripõhine automaatika, kui tavapärane API puudub.
- Korduvad veebisaidi töövood ja andmesisestusülesanded.
- Vormide täitmine ja mitmeastmelistel lehtedel navigeerimine.
- Kasutajaliidese testimine ja visuaalse regressiooni töövood.
- Agendid, kes peavad enne järgmise toimingu valimist ekraanipilte tõlgendama.
See sobib vähem olukordadesse, kus sama toimingu saab stabiilse ja dokumenteeritud API abil usaldusväärsemalt teha. Otseseid API-kutseid on tavaliselt lihtsam valideerida ja hooldada kui koordinaatidel põhinevat ekraanisuhtlust. Mudel sobib halvemini ka rakendustesse, mis nõuavad piltide, heli, video, kõne või embedding’uvektorite loomist, sest need väljundid ei ole selle lõpp-punkti kaudu toetatud.
Teised piirangud tulenevad selle eelvaate- ja pärandstaatusest. Kasutajaliidese muudatused võivad visuaalseid toiminguid mõjutada, ülesande täitmiseks võib vaja minna mitut vooru ning arendaja peab täitmiskeskkonna ise looma, selle asemel et saada täielik hostitud arvutijuhtimise teenus. Google’i dokumentatsioon nimetab praeguste alternatiividena ka uuemaid Gemini 3.x mudeleid, mis toetavad arvuti kasutamist.
Millal valida Gemini 2.5 Computer Use?
Vali see mudel siis, kui vajad konkreetselt Google’i Gemini 2.5 Computer Use’i lõpp-punkti ekraanipõhiseks brauseri automatiseerimiseks, kasutajaliidese testimiseks või olemasoleva arvutijuhtimise töövoo jaoks. Selle 128,000-märgendi suurune sisendimaht ja struktureeritud toiminguväljund jätavad mitmeastmeliseks suhtluseks piisavalt ruumi ning spetsialiseeritud ülesehitus muudab mudeli otstarbe selgeks.
Vali mõni muu lahendus siis, kui alustad uut projekti ja soovid kasutada Google’i praegust arvuti kasutamise suunda, kui ülesande saab tavapärase API kaudu usaldusväärsemalt täita või kui vajad meedia või kõne otsest genereerimist. Uute juurutuste puhul tasub hinnata uuemaid Gemini 3.x mudeleid, mis toetavad arvuti kasutamist, sest Gemini 2.5 Computer Use on nüüd liigitatud pärand-eelvaatemudeliks.
Kokkuvõttes on Gemini 2.5 Computer Use sihipärane ühenduslüli visuaalse keelemudeli arutlusvõime ja brauseri automatiseerimise vahel. Selle väärtus seisneb täidetavate kasutajaliidese toimingute tagastamises, mitte üldotstarbelise multimeediamudeli või turvalise rakendusloogika asendajana. Kõige töökindlamad juurutused ühendavad selle piiratud täitmiskeskkonna, selge valideerimise ja tundlike toimingute puhul inimese heakskiiduga.