Gemini 3 Flash

从图文、录音和视频中理解任务

Gemini 3 Flash 适合内容来源多样、又需要及时响应的助手应用。它可以阅读文档与图片、理解音频和视频，再用文字回答问题、整理信息或生成代码。教育内容分析、产品演示解读、图文客服和交互原型开发，都可以把它作为工作流程的一部分。

例如，给它一段软件操作视频，要求总结用户完成任务的路径，并标出界面卡住的位置；给它一份 PDF 和配套图表，要求解释结论是否得到数据支持；给它培训录音，要求生成复习提纲和练习题。这些任务都需要在请求中说明关注点，而不仅是要求“总结一下”。

在开发场景中，它能根据产品说明和视觉参考生成界面方案、交互逻辑与代码。结合真实的文件编辑、运行和电脑操作工具，还可以参与检查页面效果的多步骤工作。工具需要在应用中配置，输出代码后也应实际运行并检查交互。

它支持思考、函数调用、结构化输出，以及按需启用的搜索 grounding、URL 上下文和代码执行。较大的上下文便于关联多份材料，返回 JSON 则适合让系统读取提取结果。媒体分析结果以文字输出，生成图片、语音或视频需要选择相应生成服务。

如何提问

能从视频里找到某个操作吗？ 可以指定要查找的动作，要求返回相关时间位置及观察依据，便于重新检查原片。

适合做交互原型吗？ 可以描述页面目标、用户路径和数据状态，要求生成原型代码与需要验证的交互清单，再在开发环境中运行。

围绕观察结果给出任务

提交媒体时说明要回答的具体问题，并约定定位方式。

请分析这段购物流程录像。
找出用户从商品页到支付页遇到的重复输入、等待和错误提示。
每项记录时间点、界面状态、影响与改进建议。
最后按优先级给出三项修改，并生成相关交互的验收步骤；不要推测视频未展示的后台行为。

生成界面时提供技术栈、参考截图和需要保留的组件。结构化提取时定义字段；需要最新信息时启用搜索，并要求将检索到的事实与自己的分析分开。