Google 发布 Gemini 2.0：原生输出图音，全面杀入智能体时代

以前大家跟大模型聊天，总觉得像隔着一堵墙。你打字，它吐字；你传张图，它慢吞吞解析完再给你回一段文本。但如果 AI 能在同一通对话里直接画图、张嘴说多种语言，还能顺手帮你去搜网页、改代码、跑浏览器，感觉就完全变了。

Google 正式发布了 Gemini 2.0，主打的就是帮人办事的 Agent 能力。这次率先亮相的是 Gemini 2.0 Flash 实验版，不仅在多项基准测试上超越了上一代的 1.5 Pro，而且推理速度直接快了一倍。更关键的是，整套模型的训练和推理全部跑在 Google 第六代 TPU Trillium 上，并且 Trillium 也同步向企业客户全面开放。

速度翻倍，输出不再只是纯文字

先看大家马上能用到的底座能力。2.0 Flash 最大的变化，是真正做到了原生多模态输出。以前模型生成图片或语音，往往是在背后调用别的模型拼装出来的。现在 2.0 Flash 可以在单次 API 调用里，直接把文本、原生生成的图片以及可调节的多语言语音混在一起吐出来。为了安全，所有生成的图文和音频都会打上 SynthID 隐形水印。

它调用工具的本事也变成了原生能力。模型不仅能直接跑代码、调第三方接口，还能像人一样并发使用 Google 搜索，同时从多个网页里交叉核实信息。

配合新推出的 Multimodal Live API，开发者可以用音频和视频流做低延迟交互。它支持实时打断和语音活动检测，而且不像隔壁某些竞品的高级语音功能要按月收高额订阅费，这个实时流能力目前在 Google AI Studio 已经能免费上手体验。

会逛网页的 Mariner，和直连 GitHub 的 Jules

除了底座模型，Google 这次一口气端出了好几个很有野心的智能体原型。

代号 Project Mariner 的实验性 Chrome 插件最抢眼。它在 WebVoyager 网页任务基准测试里拿到了 83.5% 的高分。它能看懂浏览器当前标签页里的像素、文字和表单，自己帮你点击、滚动和打字来完成操作。为了防止 AI 瞎搞，它目前只能在活跃标签页内活动，遇到花钱买东西等敏感操作时，必须停下来等人工确认。

程序员也有专属福利。代号 Jules 的代码 Agent 可以直接接进 GitHub。你在团队修完一轮 Bug 后，可以直接把 Python 和 JavaScript 任务扔给它。Jules 会自己拆解多步骤计划、跨多个文件改代码，并提 Pull Request。结合代码执行工具后，2.0 Flash 在 SWE-bench Verified 测试里拿下了 51.8% 的成绩。

此外，早先展示过的 Project Astra 也升了级，支持 Google 搜索、镜头和地图工具，会话记忆延长到了 10 分钟，还开始在一小批原型智能眼镜上做测试。Gemini Advanced 用户还能用上 Deep Research 功能，直接让 AI 跑几轮深度检索并整理出长篇报告。

为什么重要

我们认为，Google 这次最厉害的地方，是把竞争焦点从单纯的比拼参数规模，拉到了极致的速度与多模态原生交互上。把 Flash 这种轻量级主力模型做强，比砸钱做个又慢又贵的巨无霸模型，对开发者来说实用得多。低延迟加上原生图文音输出，意味着在客服、实时辅导和同声传译场景里，开发者的架构能砍掉一大堆胶水代码。

普通用户现在登录 Gemini 网页版就能在下拉菜单里切到 2.0 Flash，Gemini Advanced 用户还能试用 Deep Research。至于 Mariner 和 Jules 这种代干杂活的 Agent，虽然还在测试阶段，但看起来离真正落地进 Chrome 和日常办公已经不远了。

不过隐患依然摆在眼前。即使 Mariner 拿到了 83.5% 的任务成功率，剩下的 16.5% 失败率在网页交互里依然致命。AI 如果在复杂的订票或填表流程中点错了按钮，用户排查起来可能比自己重填一遍还要累。而且它目前只能单标签页运行，离真正无缝的多任务协同还有差距。但不可否认，Google 靠全栈硬件和极快的产品迭代，在 Agent 这条路上打出了一记漂亮的反击。