Google مدل استفاده از رایانه Gemini 2.5 را برای بررسی مرورگر معرفی کرد

در میان رقابت نزدیک در دنیای هوش مصنوعی ، گوگل ، Openai تنها یک روز پس از فعالیت بزرگ ، با معرفی مدل استفاده از رایانه جینی 2.5به رقبای خود پاسخ محکمی بدهید. این مدل ویژه برای تعامل با وب سایت ها و نرم افزارهای مانند کاربر انسانی و انجام وظایف پیچیده با اقداماتی مانند کلیک ، نوشتن و پیمایش طراحی شده است.

ویژگی منحصر به فرد این مدل امکان درک مستقیم رابط گرافیکی (GUI) بدون نیاز به API است. این هوش مصنوعی موارد تعاملی مانند تجزیه و تحلیل بصری تصاویر مانند دکمه ها و مناطق را تعریف می کند و بهترین های بعدی را برای دستیابی به هدف تعیین می کند. این روند به عنوان یک چرخه مکرر ادامه می یابد تا اینکه کار تعیین شده انجام شود. این مدل در حال حاضر از 13 عملیات اصلی مانند باز کردن ، کلیک ، نوشتن و حتی کشیدن و رها کردن پشتیبانی می کند.

این فناوری که قبلاً در پروژه تحقیقاتی Google Project Mariner استفاده شده بود ، از پتانسیل بالایی برای اتوماسیون فرآیندهای کار مکرر برخوردار است. در Demos ، Google نشان داده است که چگونه این مدل می تواند اطلاعات بین دو وب سایت مختلف را حمل کند ، و حتی قرار ملاقات در سیستم CRM یا رتبه بندی دیجیتال Notboard را تعیین کند. این ویژگی ها به Gemini 2.5 اجازه می دهد تا از ابزاری ایده آل برای کاربران تجاری و حرفه ای استفاده کند.

معرفی این مدل پاسخ مستقیم Google به رقبا مانند OpenAI (chatgpt عامل) و Anthropic (استفاده از رایانه کلود) است. مقایسه های Google نشان می دهد که این مدل در کنترل وب و موبایل بر رقبا عملکرد بهتری دارد ، اما حد مهمی نیز وجود دارد: عملکرد آن در حال حاضر محدود به محیط مرورگر است و برخلاف برخی از رقبا ، نمی تواند سیستم عامل دسک تاپ را به طور کامل کنترل کند. Gemini 2.5 API Gemini API را در سیستم عامل های Google AI و Vertex AI برای ایجاد نسل جدیدی از برنامه های اتوماتیک ایجاد کرد.

منبع: گوگل