AIREITERGoogle 在 2026 年 10 月 30 日将 Gemini Computer Use 推向正式可用（GA），但公告本身只有两行——更新日志显示，Interactions API 和 GenerateContent API 均已 GA；没有新模型，也没有调价。对准备上线的团队来说，真正值得关注的是：截图循环没变，仍按付费层级的常规 Token 计费，但现在终于可以放心把它当作正式能力来构建了。
GA 解决了“预览版稳定性不够”的顾虑，但截图带来的成本和安全处理，依然需要由你的应用负责。
10 月 30 日 GA 到底改变了什么
2026 年 10 月 30 日的 GA 更新只有一个核心信息：Computer Use 工具正式覆盖 Interactions API 和 GenerateContent API。更新日志中没有提到新的模型 ID、新的操作结构、速率限制，也没有给出新的价格数字。
变的是产品状态，不是使用方式。此前使用 computer_use 和截图循环搭建的预览版集成仍然可以继续运行。GA 去掉了预览版标签带来的限制，但可靠性和安全性仍取决于你的实现。不会改变的部分包括：该能力仍只面向付费层级，按常规 Token 计费；每次点击仍由你的代码实际执行；凡是可能产生后果的操作，仍要接入确认流程。
如果你此前基于 Gemini 2.5 Computer Use 预览版构建了应用（该版本于 2025 年 10 月 7 日发布公开预览），迁移工作主要是改配置，而不是重写系统。将请求指向 GA 工具即可，Interactions API 的 REST 示例地址是 https://generativelanguage.googleapis.com/v1/interactions，也可以继续使用 GenerateContent；Playwright 或 Browserbase 执行器无需更换，但安全决策需要重新测试。参考实现的 README 示例仍默认使用 gemini-3.6-flash，因此生产环境应明确指定 GA 支持的模型 ID，不要依赖这个默认值。
这套执行循环是怎么工作的
Gemini Computer Use API 不会直接接管你的电脑。应用先发送截图和提示词，模型返回一个 function_call，其中包含建议执行的界面操作；你的代码执行该操作、重新截图，再把结果发回模型。这个过程会持续到任务完成、出错、触发安全拦截，或用户主动终止。
最小化的 Python 方案需要安装 google-genai 2.7.0 或更高版本（Computer Use 文档如此要求），并使用 Playwright 执行浏览器操作：
pip install google-genai playwright
playwright install chromium文档示例会以 headless=False 启动 Chromium，视口设置为 1440 x 900，初始页面为 https://www.google.com。请求中将 "environment": "browser"、模型 gemini-3.8-flash 和工具类型 computer_use 配置好。Python、JavaScript、Java 和 Go 的完整智能体循环示例都把轮次限制设为 5，但这只是示例代码，不是 API 层面的统一配额。
坐标是最容易被实现错误的细节。模型返回的 x 和 y 坐标基于 1000 x 1000 的归一化空间，通常是 0 到 999 之间的整数。你需要自行将它们换算成真实像素：
actual_x = int(x / 1000 * screen_width)
actual_y = int(y / 1000 * screen_height)请求中不需要传入显示器尺寸。对于 Gemini 4 和 Gemini 3.x 的响应，每个操作还会带有一个 intent 字符串，用于说明模型为什么选择该操作，并可能附带 safety_decision。
支持哪些模型和运行环境
当前的 Computer Use 文档列出了四个支持该能力的模型。Gemini 3.8 Flash 是 Google 推荐的默认选择，适合界面交互和稳定的工具调用；Gemini 4 Argon 则定位为复杂智能体工作流中能力最强的选项。
| 模型 ID | 定位 |
|---|---|
gemini-4-argon | 能力最强，适合复杂推理和智能体 UI 工作流 |
gemini-3.8-flash | Computer Use 推荐模型，界面交互准确度高 |
gemini-3.5-flash-lite | 低延迟、高性价比选项 |
gemini-3-flash-preview | 预览版本，行为仍可能发生变化 |
| 运行环境 | 适用场景 | 支持的主要操作 |
|---|---|---|
浏览器（ENVIRONMENT_BROWSER） | 网页表单、测试、研究 | 点击、双击、三击、右键、中键、移动、输入并使用 press_enter、拖放、滚动（0-999，默认 300）、press_key、hotkey、后退、前进、navigate、等待（默认 1 秒）、截图 |
移动端（ENVIRONMENT_MOBILE） | Android 应用流程 | open_app、list_apps、触控点击、输入、拖放、长按（long_press，默认 2 秒）、后退、wait、截图 |
桌面端（ENVIRONMENT_DESKTOP） | 操作系统级光标任务 | 多种点击方式、移动、输入、拖放、滚动、press_key、hotkey、wait、截图 |
GitHub 上的参考项目（google-gemini/computer-use-preview，Apache-2.0 协议）提供了两种执行方式：本地 Playwright Chrome，或 Browserbase 云浏览器。CLI 命令是 python main.py --query "Go to Google and type 'Hello World' into the search bar" --env="playwright"；其中 --initial_url 默认值为 https://www.google.com，还可以通过 --highlight_mouse 开启可视化调试。这里有一个值得提前知道的已知问题：由于原生 HTML <select> 下拉框由操作系统渲染在页面之外，Playwright 可能无法截取它们。README 建议优先使用 Browserbase，而不是通过 CSS 或 JavaScript 注入来绕过。
思考等级可以用来平衡操作质量与速度。标准的填表和测试流程通常适合较低等级；面对含义模糊的界面状态时，则可以提高思考投入。文档没有公布具体等级名称或延迟数据，实际项目中最好针对自己的流程进行 A/B 测试。
价格怎么算
Computer Use 没有免费层级。价格页面在工具定价部分明确写道：Free 层级不提供 Computer Use，Paid 层级则按常规 Token 计费，例如按照 Gemini 3.8 Flash 的价格计算。它没有额外的 Computer Use 附加费，实际费用就是底层模型的输入和输出 Token 价格。
这也是任务成本容易超出预期的原因。每一轮都会计入截图输入、持续携带的历史上下文以及操作输出，因此一个 20 步的填表流程，意味着 20 次视觉调用，重试还会继续增加成本。可以用 轮数 x（截图 + 历史输入 Token + 操作输出 Token）x 底层模型价格进行估算。价格页面显示，Flash Standard 在 2026 年 12 月 31 日前的价格为每 1M Token 输入 $0.75、输出 $3.75；Batch 和 Flex 的 Token 价格更低，但 Computer Use 本身仍然只对 Paid 层级开放。
每一轮都会重新发送截图，并按 Token 计费——乱点不仅会把页面搞乱，也会直接消耗预算。 — @vastplan，AI 部署账号，原帖
预算控制要落实到循环层面：在代码中限制轮数、截图分辨率和重试次数。
安全机制需要你自己补齐
Computer Use 的安全性不是模型内部自动完成的，而是围绕模型搭建的一整套服务。Gemini 4 和 Gemini 3.x 会根据七类内置策略评估每个建议操作，必要时返回 require_confirmation 或 blocked，而不是可直接执行的操作。客户端必须每次都正确处理这些响应。
| 策略 | 防护范围 |
|---|---|
FINANCIAL_TRANSACTIONS | 付款、零售结账、受监管商品 |
SENSITIVE_DATA_MODIFICATION | 健康、金融、政府记录 |
COMMUNICATION_TOOL | 发送邮件、聊天消息、草稿 |
| 注册新网站账号 | |
DATA_MODIFICATION | 文件修改、共享、删除存储内容 |
USER_CONSENT_MANAGEMENT | Cookie 横幅、隐私提示 |
LEGAL_TERMS_AND_AGREEMENTS | 服务条款和具有约束力的合同 |
当模型返回包含 decision: require_confirmation 的 safety_decision，并通过 explanation 给出“必须勾选复选框”之类的说明时，文档流程写得很明确：先请求用户确认，让用户选择继续或终止；如果用户批准，就在下一次 function_result 中加入 safety_acknowledgement，并传入 CONTINUE 或 TERMINATE 结果。通过 disabled_safety_policies 禁用策略（示例中禁用了 data_modification）只能表达偏好，并不代表一定不需要确认。
提示词注入检测默认关闭，需要主动开启：设置 enable_prompt_injection_detection: true即可，Gemini 3.5 Flash-Lite 及更高版本支持该功能。它会扫描截图中的隐藏指令，例如“忽略之前的命令”，发现后阻止执行。Google 还建议将运行环境放在 VM、Docker 容器或权限受限的专用浏览器配置文件中，并配合导航允许名单或阻止名单、输入清洗、内容护栏、从干净状态启动的稳定 GUI，以及完整日志记录。需要审计的内容包括提示词、截图、建议的 function_call 操作、安全响应和实际执行的操作。
示例安全指令列出了不应自动执行的操作：接受服务条款或 Cookie 横幅、解决 CAPTCHA、完成购买或转账、发送邮件或帖子、操作健康或金融记录以及 SSN 和银行卡号、下载文件、共享数据、读取历史记录或密码、登录、冒充他人身份，以及在卡住时无限循环。生产环境更稳妥的模式是让智能体完成准备工作，然后在最终的 Send、Submit、Confirm purchase 或 Share 按钮之前停下来。
现在适合上线吗？检查清单与选型建议
GA 之后，Computer Use 已经可以作为浏览器自动化、表单填写、自动化 UI 测试和产品页面研究的生产候选方案。但它本质上仍是一个由截图驱动的智能体：可能误读界面，在长流程中丢失上下文，也可能因为重试不断消耗 Token。
面向真实用户启用前，至少完成以下检查：
- 明确指定一个 GA 模型 ID
- 限制轮数，并加入空转循环检测
- 在沙箱浏览器配置文件或带允许名单的容器中运行
- 所有不可逆操作都要求人工确认
- 开启提示词注入检测
- 记录截图和安全决策
- 让每个任务都从已知的干净状态开始
- 在开启确认机制的情况下测试结账和登录流程
在基准测试方面，Google 的模型卡给出的是 Gemini 2.5 Computer Use 产品线的结果，并非当前 GA 模型。可以把它们当作浏览器任务的产品线参考：
| 基准 | Gemini 2.5 产品线 | 最佳对比项 |
|---|---|---|
| Online-Mind2Web（官方） | 69.0% | OpenAI Operator 61.3% |
| WebVoyager（官方） | 88.9% | OpenAI 87.0% |
| Online-Mind2Web（Browserbase） | 65.7% | Sonnet 4.5 55.0%、Sonnet 4 61.0%、OpenAI 44.3% |
| WebVoyager（Browserbase） | 79.9% | Sonnet 4.5 71.4%、Sonnet 4 69.4%、OpenAI 61.0% |
| AndroidWorld | 69.7% | Sonnet 4.5 56.0%、Sonnet 4 62.1% |
当时的模型卡还不支持 OSWorld 桌面控制，而 Claude 的自报成绩为 61.4%。当前文档已经将桌面列为支持环境，但 OS 级控制仍属于更新、验证较少的能力，成熟度不如浏览器流程。
| 任务 | 建议选择 |
|---|---|
| 高并发简单填表，优先控制成本 | gemini-3.5-flash-lite + 严格限制轮数 |
| 通用浏览器自动化，优先准确率 | gemini-3.8-flash |
| 复杂的多应用推理 | gemini-4-argon，运行在沙箱中并开启人工审批 |
| 任何涉及资金、账号或法律条款的任务 | 人工介入，不要禁用金融相关策略 |
如果本地 Playwright 的渲染问题让你难以推进，可以先试试带有 Stagehand 的 Browserbase 模板（npx create-browser-app --template gemini-cua）。无论选择哪条路径，费用和信任边界最终都由你负责。
常见问题
Gemini Computer Use API 在 GA 时更换端点了吗？
GA 更新中没有宣布新的端点。Google 仍将同一个工具同时列在 Interactions API 和 GenerateContent API 中。使用明确的模型 ID，将现有执行器指向 GA 工具即可。
Gemini Computer Use 免费吗？
只面向付费层级。官方价格页面明确表示，Free 层级不提供 Computer Use，Paid 层级按照底层模型的常规 Token 价格计费。每次截图和操作循环都会产生可计费的 Token。
Computer Use 应该选哪个 Gemini 模型？
Google 推荐使用 gemini-3.8-flash，它适合追求界面准确度和稳定工具调用的场景。低延迟、高并发任务可以选择 gemini-3.5-flash-lite；复杂的智能体工作流则适合 gemini-4-argon。生产环境应避免使用预览版 ID。
它能控制完整桌面，还是只能操作浏览器？
GA 文档列出了浏览器、Android 移动端和桌面 OS 级光标控制。浏览器流程最成熟，也有更多基准测试支持。桌面控制相对较新，应使用更严格的沙箱。
点击操作必须由我自己执行吗？
是的。模型只会返回包含 0-999 归一化坐标和操作意图的 function_call。真正移动鼠标、输入文字、截图并返回结果的，是你的 Playwright、Browserbase 或原生执行器。
代码中的安全确认流程怎么处理？
每次响应都要检查 safety_decision。如果返回 require_confirmation，就请求用户确认，然后在下一次 function_result 中通过 safety_acknowledgement 发送 CONTINUE 或 TERMINATE。即使你禁用了某项策略，也不能跳过这套处理。
相关阅读：Gemini 3.8 Flash 价格与智能体任务成本、Gemini 4 Argon API 价格与可用性、CUA-Lite 计算机使用智能体评测。