Gemini 3.5 Flash、画面操作機能を統合

要点

• GoogleはGemini 3.5 Flashに画面を見て操作する機能を統合し、開発者がAIエージェントでソフトウェアテストやオフィス自動化といった複雑なタスクを自動化できるようにしました。

• OSWorldベンチマークで78.4を獲得し、同じく78.4のSonnet 4.6に並びながらも、リーダーのOpus 4.8の83.4には及びません。

• セキュリティのため敵対的学習と2種類のエンタープライズセーフガードが用意されています。

3つのポイント

よくある質問

Gemini 3.5 Flashの画面操作機能は従来と何が違いますか？

従来はGemini 2.5の別モデルでのみ利用可能でしたが、今回Gemini 3.5 Flashに直接統合されました。これにより、既存の関数呼び出しやSearch、Mapsなどのツールと組み合わせて、ブラウザ、モバイル、デスクトップ環境で動作するエージェントを構築しやすくなります。

どこから使えますか？

Gemini APIおよびGemini Enterprise Agent Platformから利用できます。BrowserbaseのデモとGitHubリファレンス実装も提供されています。

プロンプトインジェクション攻撃対策はどうなっていますか？

敵対的学習と2種類のオプションのエンタープライズセーフガードが用意されています。1つは機密操作や取り消し不可能な操作に対してユーザー確認を要求し、もう1つは間接的プロンプトインジェクションを検知したときに自動的にタスクを停止します。Googleはサンドボックス化、人間による監視、厳格なアクセス制御も推奨しており、詳細はベストプラクティス文書に記載されています。