Google přidal Agentic Vision do Gemini 3 Flash

Google 27. ledna představil Agentic Vision pro Gemini 3 Flash – novou schopnost, která mění práci modelu s obrázky ze statického rozpoznávání na agentní proces. Místo jednorázového „podívání se“ model vytvoří plán, podle potřeby přiblíží nebo upraví obraz, spustí Python k analýze či anotaci a výsledek znovu vloží do kontextu. Google tento cyklus popisuje jako Think, Act, Observe a uvádí, že zapnutí code execution u Gemini 3 Flash přináší 5–10% zlepšení kvality napříč většinou vision benchmarků. Pro vývojáře je důležité hlavně to, že novinka je dostupná přes Gemini API v Google AI Studio a Vertex AI. Vibecoder, který staví inspekční nástroje, administrativní dashboardy, plánovací aplikace nebo interní asistenty nad obrázky a PDF, může modelu dát nejen obrázek, ale i prostor k ověření detailů výpočtem. Typické příklady: čtení hustých tabulek ze screenshotu, počítání objektů, zvýraznění částí UI, kontrola výkresu nebo analýza grafu. Praktický dopad je dvojí. Zaprvé se snižuje potřeba obalovat vision modely vlastní předzpracovací logikou pro ořezy, rotace a anotace – část práce zvládne model v agentní smyčce. Zadruhé se mění promptování: místo přesného popisu všech kroků může vývojář dát cílový úkol a povolit nástroje. Přesto zůstává potřeba testovat výstupy, protože Google sám upozorňuje, že některé chování je zatím implicitní jen částečně a další nástroje, včetně webového nebo reverzního image search, teprve zkoumá. Pro lednový vývoj vibecodingu jde ale o výrazný posun: multimodální modely se posouvají od „popiš obrázek“ k „prozkoumej problém“.