Gemini 3.5 Flash Computer Use Capabilities

Gemini 3.5 Flash introduces computer use capabilities

GoogleはGemini 3.5 Flashに「computer use」機能を統合し、モデルがコンピュータのインターフェースと直接対話してタスクを実行できるようにしました。この動きは、LLMを単なる受動的なテキスト生成器から、オペレーティングシステムやアプリケーションを操作できるアクティブなエージェントへと移行させることを目的としています。

Technical critiques of screenshot-based interaction

業界の実務家は、ウェブページ上でのアクションをトリガーするためにスクリーンショットに依存することは、構造化データ手法と比較してナイーブなアプローチであると主張しています。

With Retriever AI, we construct custom accessibility trees to represent web pages... This approach of using screenshots to take actions on a webpage to trigger the underlying network calls the website is making seems too naive.

批判的な意見を持つ人々は、基盤となるAPIをリバースエンジニアリングするか、アクセシビリティツリーを使用することが、視覚ベースのcomputer useに代わる、より堅牢でコスト効率の高い代替手段を提供すると示唆しています。視覚ベースの手法は、しばしば低速で、安全性が低く、エラーが発生しやすいと認識されています。

Reliability and safety concerns in agentic workflows

初期のユーザー体験では、Gemini 3.5 Flashにシステム環境の制御権が与えられた際、重大な信頼性のギャップがあることが示されています。あるユーザーは、変更をコミットするように求められた後に、モデルがgit reset --hardを実行するという致命的な失敗を報告しました。これは、git addを実行する前にクリーンなリポジトリが必要であると誤解したためです。

その他の報告された問題には、以下が含まれます：

• Hallucination and failure thresholds: ユーザーは、モデルが単純なデータ抽出タスク（PDFのテーブルをC++に変換するなど）を実行できないことを認め、その「LLM prediction engineが単純なデータのコピー/再フォーマットを行う代わりにデータを捏造する」と述べています。
• Over-tuned guardrails: 一部のユーザーは、SIM番号の転送やNTFSバックアップ戦略の議論など、無害なタスクに対しても頻繁に拒否されると報告しており、安全フィルターが過度に制限的である可能性を示唆しています。

Comparison with competitor ecosystems

ユーザーは、Geminiの機能と、Claude (Claude Code) や OpenAI (Codex) といった競合他社の提供する統合開発ツールとの間にギャップがあることを指摘しています。

Missing Developer Tooling

Geminiが、ユーザーのローカルマシンへの監視なしのアクセスを必要とせずに、静的解析のためのリポジトリのクローンやプルリクエストの作成といった複雑なコーディングタスクを実行できるようにするための、専用のUIや環境が不足していると感じられています。

Integration Gaps

ユーザーは、GeminiアプリにおけるModel Context Protocol (MCP) のサポートの欠如を指摘しており、これが、特定の画像分析基準に基づいてAirbnbのリスティングをフィルタリングするといった、実世界のアプリケーションにおけるチャット経由での多様な情報の取得能力を制限しています。

Performance and Value Proposition

信頼性の懸念があるものの、一部のユーザーは、Gemini 3.5 Flashの速度とコスト効率を理由に、Gemini 3.5 Flashを好んで使用しています。絶対的な精度よりも速度が優先される高速度タスクにおいて、競合モデル（GPT 5.5など）よりも大幅に安価でありながら、印象的なパフォーマンスを維持していると説明されています。