Gemini Computer Use API: GA, цены и безопасность

30 октября 2026 года Google перевёл Gemini Computer Use в общий доступ, но новость уместилась в двух строках журнала изменений: инструмент стал доступен в Interactions API и GenerateContent API, без новой модели и без изменения цен. Для команды, которая собирается запускать это в продакшене, вопрос теперь звучит проще: цикл со скриншотами остался прежним, токены по-прежнему оплачиваются только на платном тарифе, зато на API уже можно опираться в рабочем продукте.

Статус Preview больше не мешает запуску, но расходы на скриншоты и обработка опасных действий по-прежнему лежат на вашей стороне.

Что на самом деле изменилось 30 октября

Запись о GA от 30 октября 2026 года сообщает ровно об одном: инструмент Computer Use стал общедоступным в Interactions API и GenerateContent API. В журнале изменений нет новых идентификаторов моделей, схемы действий, лимитов запросов или цен.

Изменился статус, а не механика. Интеграции, собранные в Preview и использующие computer_use вместе с циклом скриншотов, продолжают работать. Ограничение, связанное с предварительным доступом, снято, но надёжность и безопасность всё так же нужно обеспечивать самостоятельно. Биллинг остаётся только на платном тарифе и идёт как за обычные токены; каждый клик по-прежнему выполняете вы, а для любого потенциально значимого действия нужно предусмотреть подтверждение.

Если вы использовали предварительную версию Gemini 2.5 Computer Use (представленную 7 октября 2025 года), переписывать интеграцию не придётся. Направьте запросы к GA-версии инструмента через Interactions (https://generativelanguage.googleapis.com/v1/interactions в REST-примере) или GenerateContent, оставьте прежний исполнитель на Playwright или Browserbase и заново проверьте сценарии безопасности. В эталонной реализации пример из README всё ещё по умолчанию использует gemini-3.6-flash, поэтому лучше явно указать поддерживаемый GA идентификатор модели, а не полагаться на это значение.

Как устроен цикл Computer Use

Gemini Computer Use не получает прямой доступ к вашему компьютеру. Приложение отправляет модели скриншот и инструкцию, модель возвращает предполагаемое действие интерфейса в виде function_call, ваш код выполняет его, делает новый скриншот и передаёт результат обратно. Цикл повторяется, пока задача не завершится, не завершится ошибкой, не упрётся в остановку по безопасности или пользователь сам его не прервёт.

Для минимального сценария на Python понадобятся google-genai версии 2.7.0 или выше (согласно документации Computer Use) и Playwright для управления браузером:

pip install google-genai playwright
playwright install chromium

В примере из документации Chromium запускается с headless=False, областью просмотра 1440 x 900 и открывает https://www.google.com. В запросе указываются "environment": "browser", модель gemini-3.8-flash и тип инструмента computer_use. В полноценных примерах цикла для Python, JavaScript, Java и Go установлен лимит в 5 ходов — это лишь настройка демонстрационного кода, а не общий лимит API.

Чаще всего ошибаются с координатами. Модель возвращает x и y в нормализованной системе 1000 x 1000 — обычно это целые числа от 0 до 999. В реальные пиксели их нужно переводить самостоятельно:

actual_x = int(x / 1000 * screen_width)
actual_y = int(y / 1000 * screen_height)

Размеры экрана в запросе передавать не нужно. В ответах Gemini 4 и Gemini 3.x каждое действие также содержит строку intent с объяснением выбора модели и необязательное поле safety_decision.

Поддерживаемые модели и окружения

Согласно актуальной документации Computer Use, инструмент поддерживают четыре модели. Google рекомендует Gemini 3.8 Flash как основной вариант для работы с интерфейсами и надёжного вызова инструментов. Gemini 4 Argon позиционируется как самая мощная модель для сложных агентских сценариев.

Эталонный репозиторий на GitHub (google-gemini/computer-use-preview, Apache-2.0) запускает один и тот же сценарий двумя способами: в локальном Chrome через Playwright или в облачном браузере Browserbase. Команда CLI выглядит так: python main.py --query "Go to Google and type 'Hello World' into the search bar" --env="playwright". Параметр --initial_url по умолчанию указывает на https://www.google.com, а --highlight_mouse помогает визуально отлаживать действия. Есть и важный известный нюанс: Playwright может не захватывать нативные HTML-списки <select>, потому что их отрисовывает ОС за пределами страницы. В README рекомендуют в таком случае Browserbase, а не внедрение CSS/JS.

Уровень размышлений позволяет выбирать между качеством действий и скоростью. Низкие уровни подойдут для обычного заполнения форм и тестовых циклов, а повышенные — для неоднозначных состояний интерфейса. Документация не приводит названия уровней или значения задержки, поэтому этот параметр придётся проверять на собственных сценариях через A/B-тесты.

Сколько это стоит

У Computer Use нет бесплатного тарифа. На странице цен это указано напрямую в разделе Pricing for tools: Computer Use недоступен на Free, а на Paid оплачивается как обычные токены — например, по тарифу Gemini 3.8 Flash. Отдельной наценки за Computer Use нет: входные и выходные токены тарифицируются по базовым ставкам выбранной модели.

Именно здесь чаще всего возникают неожиданные счета. Каждый ход включает скриншот, накопленную историю и ответ с действием, поэтому заполнение формы из 20 шагов — это 20 вызовов с анализом изображения плюс возможные повторы. Оценивать расходы можно по формуле turns x (screenshot + history input tokens + action output tokens) x base-model rate. На странице цен для Flash Standard указаны $0.75 за 1M входных и $3.75 за 1M выходных токенов до 31 декабря 2026 года; у Batch и Flex ставки ниже, но сам Computer Use всё равно доступен только на Paid.

Каждый раунд отправляет обратно скриншот, и он тарифицируется как токены — случайные клики увеличивают счёт, а не только ломают страницу. — @vastplan, аккаунт о внедрении ИИ, публикация

Закладывайте бюджет на уровне цикла: ограничивайте число ходов, разрешение скриншотов и количество повторных попыток в коде.

Безопасность придётся строить самостоятельно

В Computer Use безопасность — это слой вокруг модели, а не встроенная гарантия. Gemini 4 и Gemini 3.x проверяют каждое предложенное действие по семи категориям встроенных политик и могут вернуть require_confirmation или блокировку вместо исполняемого действия. Клиент должен обрабатывать такой ответ каждый раз.

Если модель возвращает safety_decision с decision: require_confirmation и объяснением вроде must check check-box, документация предписывает конкретный порядок: запросить решение человека, дать ему возможность продолжить или завершить сценарий и при одобрении добавить safety_acknowledgement в следующий function_result с результатом CONTINUE или TERMINATE. Отключение политик через disabled_safety_policies — в примере отключается data_modification — лишь выражает предпочтение; подтверждение всё равно может потребоваться.

Проверка на prompt injection включается отдельно и по умолчанию отключена. Для этого используйте enable_prompt_injection_detection: true; функция доступна начиная с Gemini 3.5 Flash-Lite. Она ищет на скриншотах скрытые инструкции вроде ignore previous commands и блокирует выполнение при обнаружении. Google также советует запускать агент в песочнице — виртуальной машине, Docker-контейнере или отдельном профиле браузера с ограниченными правами, — использовать списки разрешённых или запрещённых действий для навигации, санитизацию ввода, контентные ограничения, стабильное состояние интерфейса после чистого запуска и журналировать для аудита промпты, скриншоты, предложенные действия function_call, ответы системы безопасности и фактически выполненные действия.

В примере инструкции по безопасности перечислены действия, которые нельзя выполнять автономно: принимать ToS или баннеры cookies, решать CAPTCHA, завершать покупки или переводить деньги, отправлять письма и публикации, работать с медицинскими и финансовыми данными, SSN и номерами карт, скачивать файлы, делиться данными, читать историю или пароли, входить в аккаунты, выдавать себя за другого человека или бесконечно повторять цикл в случае сбоя. Рабочий паттерн прост: агент выполняет подготовительную часть и останавливается перед финальными кнопками Send, Submit, Confirm purchase или Share.

Пора ли запускать: чек-лист и сравнение

После выхода в GA Computer Use выглядит разумным вариантом для автоматизации браузера, заполнения форм, автоматизированного UI-тестирования и исследования товарных страниц. Но это всё ещё агент, который работает по скриншотам: он может неправильно понять интерфейс, потерять контекст в длинном сценарии и потратить токены на повторные попытки.

Перед тем как включать инструмент для реальных пользователей:

• Зафиксируйте явный GA-идентификатор модели
• Ограничьте число ходов и добавьте обнаружение циклов бездействия
• Запускайте агент в изолированном профиле браузера или контейнере со списком разрешённых действий
• Требуйте подтверждения человека перед любым необратимым действием
• Включите обнаружение prompt injection
• Сохраняйте скриншоты и решения системы безопасности в журнале
• Начинайте каждую задачу с заранее известного чистого состояния
• Тестируйте сценарии оплаты и входа в аккаунт с включёнными подтверждениями

В бенчмарках карточка модели Google приводит результаты для линейки 2.5 Computer Use, а не для текущих GA-моделей. Используйте их как ориентир для браузерных задач:

В той карточке управление рабочим столом через OSWorld ещё не поддерживалось; для Claude приводится самостоятельно заявленный результат 61.4%. В текущей документации desktop уже указан как поддерживаемое окружение, но управление на уровне ОС всё ещё стоит считать более новым и менее проверенным сценарием по сравнению с браузером.

Если локальный Playwright плохо справляется с отрисовкой, можно начать с размещённого шаблона Browserbase со Stagehand (npx create-browser-app --template gemini-cua). В любом случае расходы и границы доверия остаются под вашим контролем.

FAQ

Изменились ли endpoint'ы Gemini Computer Use API после выхода GA?

В записи о GA новый endpoint не объявлялся. Google указывает тот же инструмент для Interactions API и GenerateContent API. Используйте прежний исполнитель с GA-инструментом и явно заданным идентификатором модели.

Gemini Computer Use бесплатный или платный?

Только платный тариф. На официальной странице цен сказано, что Computer Use недоступен на Free и оплачивается как обычные токены по ставкам базовой модели. Каждый скриншот и действие в цикле тарифицируются как токены.

Какую модель Gemini выбрать для Computer Use?

Google рекомендует gemini-3.8-flash для точной работы с интерфейсом и надёжного вызова инструментов. gemini-3.5-flash-lite подойдёт для быстрых массовых задач, а gemini-4-argon — для сложных агентских сценариев. Для продакшена лучше не использовать preview-идентификаторы.

Он управляет полноценным рабочим столом или только браузером?

В документации GA перечислены браузер, мобильный Android и управление курсором на уровне рабочего стола. Браузерные сценарии наиболее зрелые и лучше всего представлены в бенчмарках. Управление рабочим столом пока стоит сильнее изолировать и считать более новым сценарием.

Мне самому нужно выполнять клики?

Да. Модель лишь предлагает function_call с нормализованными координатами 0-999 и объяснением intent. Движение мыши, ввод текста, создание скриншотов и возврат результата выполняет ваш Playwright-, Browserbase- или нативный исполнитель.

Как запрограммировать подтверждения безопасности?

Проверяйте каждый ответ на наличие safety_decision. При require_confirmation запросите решение пользователя, а затем отправьте в следующем function_result поле safety_acknowledgement со значением CONTINUE или TERMINATE. Обрабатывайте этот сценарий даже после отключения отдельной политики.

Читайте также: цены Gemini 3.8 Flash и стоимость агентских задач, цены и доступность Gemini 4 Argon API, обзор CUA-Lite для computer-use-агентов.