Google präsentiert Agentic Vision in Gemini 3 Flash – Bildverständnis wird aktiv

Google hat die neue Agentic Vision-Funktion in Gemini 3 Flash vorgestellt, die das Bildverständnis revolutioniert.

Traditionelle multimodale Modelle verarbeiten Bilder meist in einem einzigen Durchlauf. Dadurch übersehen sie häufig kleine, aber wichtige Details wie Seriennummern auf Chips oder kleine Symbole in Bauplänen.

Mit Agentic Vision wird das Bildverständnis zu einem aktiven, tool‑basierten Prozess. Das Modell nutzt gezielt Werkzeuge, um fehlende Informationen zu erfragen und zu verifizieren, wodurch die Genauigkeit deutlich steigt.

Die Technologie basiert auf einem visuellen Kontext‑Loop, der das Modell in die Lage versetzt, Fragen zu stellen, Antworten zu prüfen und die Bildanalyse iterativ zu verfeinern.

Google betont, dass diese Entwicklung die Grenzen der multimodalen KI erweitert und Anwendungen in Bereichen wie Fertigung, Architektur und Qualitätskontrolle vorantreibt.