जेमिनी डीप थिंक: 5 वास्तविक समस्याओं पर एक परीक्षण

Google ने हाल ही में Gemini 2.5 Pro के लिए Deep Think मोड जारी किया है। Deep Think एक फीचर है जिसे जटिल समस्याएँ हल करने के लिए बनाया गया है। यह समानांतर सोच का उपयोग करके एक साथ कई विचारों की पड़ताल करता है, उनकी तुलना करता है, और फिर सबसे प्रभावी समाधान चुनता है।

इस लेख में, मैं इसकी क्षमताओं का पता लगाने के लिए इसे वास्तविक दुनिया की समस्याएँ हल करने के लिए कहूँगा। PhD-स्तरीय सवालों से लेकर व्यावसायिक चुनौतियों तक, मैंने Deep Think को पाँच जटिल समस्याओं पर परखा ताकि इसके प्रदर्शन का आकलन किया जा सके।

हम अपने पाठकों को AI की ताज़ा जानकारी देते रहते हैं The Median के ज़रिए—हमारा मुफ़्त शुक्रवार का न्यूज़लेटर जो सप्ताह की अहम सुर्खियों को सरल बनाकर समझाता है। सब्सक्राइब करें और हफ्ते में कुछ ही मिनटों में अपडेट रहें:

Gemini Deep Think क्या है?

Gemini Deep Think, Gemini 2.5 Pro मॉडल में जोड़ा गया एक नया सुधार है जो समस्या-समाधान की क्षमता को एक नए स्तर पर ले जाता है। जो संस्करण उपलब्ध कराया गया है, वह हाल ही में इस साल की International Mathematical Olympiad (IMO) में शीर्ष प्रदर्शन हासिल करने वाले मॉडल का सरल संस्करण है।

मूल संस्करण कठिन गणितीय समस्याएँ सुलझाने में घंटों लगाता है, लेकिन आज जारी किया गया संस्करण कहीं ज़्यादा तेज़ है और रोज़मर्रा के कार्यों के लिए उपयुक्त है, जबकि 2025 IMO में अभी भी ब्रॉन्ज़ स्तर हासिल करता है।

Deep Think रोज़मर्रा के सवालों के लिए बनाया गया है, फिर भी इसमें मजबूत समस्या-समाधान क्षमता बनी रहती है। उपयोगकर्ता गहन और सूझबूझ भरे उत्तरों की उम्मीद कर सकते हैं क्योंकि Deep Think अपने "सोचने के समय" को बढ़ाकर जटिल कार्यों को संभालता है, जिससे यह विभिन्न विचारों को उत्पन्न करने, परखने और संयोजित करने में बहुत कुशल बन जाता है।

ध्यान दें कि Deep Think फीचर, Deep Research से अलग है—Deep Research वेब से जानकारी जुटाने और उसे स्रोतों व संरचित रिपोर्ट सहित संक्षेपित करने के लिए बनाया गया है। एक ज़्यादा गहराई से सोचता है, दूसरा ज़्यादा गहराई से शोध करता है।

Deep Think तक कैसे पहुँचें?

फिलहाल, Deep Think तक Gemini App पर पहुँचा जा सकता है, लेकिन यह केवल Google AI Ultra सब्सक्रिप्शन पर उपलब्ध है, जिसकी कीमत €274.99 प्रति माह है।

यह API के ज़रिए भी उपलब्ध है, लेकिन केवल चुनिंदा उपयोगकर्ताओं के लिए। अभी यह स्पष्ट नहीं है कि क्या इसे सभी के लिए रोल आउट किया जाएगा।

यदि आपके पास Google AI Ultra सब्सक्रिप्शन है, तो आप प्रॉम्प्ट इनपुट के नीचे दिए गए बटन पर क्लिक करके Deep Think को सक्रिय कर सकते हैं।

ध्यान रखें कि Ultra सब्सक्रिप्शन के साथ भी, आप प्रतिदिन लगभग पाँच संदेशों तक सीमित हैं।

Deep Think कैसे काम करता है

Gemini Deep Think, मानवीय ब्रेनस्टॉर्मिंग जैसी प्रक्रिया अपनाकर काम करता है—जहाँ वह किसी समस्या को हल करने के लिए एक साथ कई संभावनाओं की पड़ताल करता है।

यह समानांतर सोच के ज़रिए संभव होता है, जो AI को एक साथ कई रास्तों और विकल्पों पर विचार करने में सक्षम बनाता है, न कि केवल एक रैखिक दृष्टिकोण पर। बढ़ा हुआ "सोचने का समय" देकर, Gemini Deep Think विभिन्न विचारों का विश्लेषण, तुलना और संलयन करता है ताकि सर्वोत्तम संभव समाधान तक पहुँच सके।

यह तरीका Gemini को जटिल कार्यों को प्रभावी ढंग से सँभालने देता है—वह कई संभावित परिणामों और रणनीतियों का अनुकरण करता है और अपेक्षाकृत कम समय में उपयोगकर्ताओं को ठोस और रचनात्मक उत्तर प्रदान करता है।

टेस्ट 1: एक ओपन PhD समस्या से निपटना

जब मैंने अपना Ph.D. थीसिस लिखा, तो मैंने कुछ खुली समस्याएँ छोड़ी थीं जिन्हें मैं हल नहीं कर सका। मैंने उनमें से एक पर Gemini Deep Think को परखने का फैसला किया।

समस्या कंप्यूटर नेटवर्क्स के बारे में है। ट्रैफ़िक कंप्यूटर नेटवर्क में सबसे छोटी राहों से चलता है, जैसे कार से सड़क पर जाते समय GPS का उपयोग करना। हर नेटवर्क लिंक की लंबाई एक धनात्मक संख्या है, और उसे किसी भी मान पर कॉन्फ़िगर किया जा सकता है।

हालाँकि, नेटवर्क लिंक्स पर बहुत बड़े मान कॉन्फ़िगर करना व्यावहारिक नहीं है, इसलिए हम चाहते हैं कि सबसे बड़ा वज़न यथासंभव छोटा हो।

यह रहा प्रॉम्प्ट जो Gemini Deep Think को भेजा गया:

करीब 15 मिनट बाद, यह एक उत्तर लेकर आया। इसने एक ग्रीडी एल्गोरिद्म प्रस्तावित किया—ऐसा एल्गोरिद्म जो सर्वोत्तम नहीं होता, लेकिन काफ़ी अच्छा समाधान ढूँढने की कोशिश करता है।

मुझे एहसास हुआ कि मेरा शुरुआती प्रॉम्प्ट वैसा नहीं था जैसा मैं चाहता था। मैं चाहता था कि या तो यह सर्वोत्तम समाधान देने वाला एल्गोरिद्म ढूँढे या सिद्ध करे कि ऐसा एल्गोरिद्म शायद मौजूद ही नहीं है।

तो मैंने बातचीत आगे बढ़ाई:

और 15 मिनट बाद, इसने उत्तर दिया कि समस्या NP-hard है। इसका अर्थ है कि इस समस्या के लिए तेज़ एल्गोरिद्म शायद मौजूद नहीं है।

मेरा भी यही मानना है। मैंने प्रमाण पढ़ना शुरू किया, लेकिन उसमें कई अहम विवरण छूटे हुए थे। इसके बजाय, यह कुछ उच्च-स्तरीय विवरण देता और कहता कि उत्तर बहुत जटिल है:

मैंने बार-बार ज़ोर देकर गुम जानकारी माँगी, लेकिन मैं कभी पूरी तरह विस्तृत प्रमाण नहीं पा सका, इसलिए जाँच नहीं कर पाया कि इसने समस्या सच में हल की थी या नहीं।

यह मुझे Sidney Harris वाले क्लासिक मैथ मीम जैसा लगा:

जवाबों में मुझे लगा कि लिखने का तरीका ऐसा था मानो यह इसका अपना समाधान न हो, बल्कि किसी ज्ञात प्रमाण का उपयोग कर रहा हो। मैंने इस पर पूछा, तो इसने कहा कि यह एक ज्ञात परिणाम है, जो 2002 के एक पेपर में दिया गया है।

इसने पेपर का नाम दिया, पर मुझे वह ऑनलाइन कहीं नहीं मिला। पता चला कि लेखक मेरे थीसिस कमेटी में थे। अगर उन्होंने यह समस्या पहले ही सुलझा ली हो और मुझे कभी बताया ही न हो तो यह काफ़ी मज़ेदार होगा।

मैं इस उदाहरण के बारे में क्या सोचूँ, समझ नहीं पाया। क्या इसने समाधान निकाला लेकिन सब विवरण साझा नहीं किए? क्या इसने कोई मौजूदा उत्तर ही दोहरा दिया? या विवरण इसलिए गायब हैं क्योंकि उत्तर सही नहीं है?

टेस्ट 2: किसी गेम को खेलने का सर्वश्रेष्ठ तरीका ढूँढना

मैं एक रणनीतिक कार्ड गेम खेलता हूँ, और हाल ही में मैं एक खास गेम स्टेट में अधिकतम संसाधन निकालने का तरीका ढूँढ रहा था।

मैंने कुछ समय पहले ऐसे सूत्र निकाले जो मुझे सर्वोत्तम लगते हैं, लेकिन मैंने यह साबित नहीं किया कि वे सचमुच सर्वोत्तम हैं। उस समय, मैंने अन्य AI रीजनिंग मॉडलों से समाधान माँगा था, और वे बुरी तरह विफल रहे। उनके उत्तर न केवल सर्वोत्तम नहीं थे, बल्कि खेल के नियमों के अनुरूप भी नहीं थे।

तो मैंने इस समस्या पर Gemini Deep Think को आज़माने का फैसला किया। मैंने खेल के नियम नहीं दिए (मान लिया कि वे इसके प्रशिक्षण का हिस्सा हैं)। लेकिन मैंने हर कार्ड के नियम दिए। आपको इस उदाहरण को समझने के लिए खेल या मेरा प्रॉम्प्ट समझना ज़रूरी नहीं है।

यह रहा प्रॉम्प्ट:

Gemini के बारे में एक बात जानने योग्य है कि यह अन्य मॉडलों की तुलना में काफ़ी धीमा है, इसलिए किसी उत्तर के लिए 5 से 20 मिनट तक इंतज़ार करना पड़ सकता है। यह उदाहरण तेज़ था और करीब 5 मिनट लगे।

यह रहा उत्तर का एक हिस्सा। इस हिस्से में चरण और सूत्र दिखते हैं। इससे पहले, इसने अपनी तर्क-प्रक्रिया समझाई थी:

पर, चूँकि मैंने पहले समस्या हल कर रखी थी, मुझे पता था कि यह सही नहीं है और इससे बेहतर करना संभव है। ऐसा एक नियम के कारण है जो कार्ड्स की कुछ बाधाओं को दरकिनार करने देता है, जिसे मैंने स्पष्ट रूप से नहीं बताया था। पता नहीं यह कमी तर्क की कमज़ोरी से आई या नियम प्रशिक्षण में पूरी तरह शामिल नहीं थे।

यह दर्शाता है कि डोमेन-विशिष्ट क्षेत्रों में इसके ब्लाइंड स्पॉट हो सकते हैं, इसलिए उत्तरों को लेकर सावधानी ज़रूरी है। यदि यह कोई अहम सवाल होता जिसे मैंने पहले हल न किया होता, तो मुझे पता न चलता कि उत्तर अच्छा नहीं है, और मैं उसे सही मानकर इस्तेमाल कर सकता था। दूसरी ओर, यदि मुझे खुद ही हल करना पड़े, तो फिर AI की ज़रूरत ही क्या है।

मैंने इसे बताया कि उत्तर गलत है और कुछ अतिरिक्त जानकारी दी ताकि देख सकूँ कि क्या यह उत्तर सुधार सकता है।

इस बार, इसने वही उत्तर दिया जो मैंने निकाला था। यह रहा इसके उत्तर का एक हिस्सा:

एक बात जिसने निराश किया, वह यह कि इसने यह साबित नहीं किया कि यही सर्वोत्तम संभव उत्तर है।

टेस्ट 3: एक लॉजिक पज़ल हल करना

अगले कदम पर, मैंने इसे एक लॉजिक पज़ल हल करने को कहा जो मुझे बहुत पसंद है।

इस मामले में, उत्तर बहुत जल्दी आया। उत्तर में पहले कहा गया कि यह एक क्लासिक लॉजिक समस्या है।

फिर इसने पज़ल सुलझाने की रणनीति समझाई। यहाँ साफ़ था कि ज़्यादा तर्क-वितर्क नहीं हुआ, बल्कि AI को पहले से समाधान सिखाया गया था।

इन मॉडलों का मूल्यांकन करते समय यही एक कठिन सवाल है—क्या यह उत्तर इसलिए मिल रहा है क्योंकि मॉडल ने खुद निकाला, या पहले से संहिताबद्ध उत्तर को बस दोहरा दिया?

इसे और आगे धकेलने के लिए, मैंने एक और बाधा जोड़ दी ताकि नतीजा देख सकूँ। यह वैरिएंट मैंने उसी समय सोचा था और पहले कभी नहीं देखा था। मुझे नहीं पता था कि इस संस्करण का कोई समाधान है या नहीं।

इस बार उत्तर फिर देर से आया, जो एक अच्छा संकेत है। इसने कहा कि इसे इस कठिन वैरिएंट का भी समाधान मिल गया है:

लेकिन पूरा उत्तर पढ़ने पर लगा कि समाधान में कुछ गलतियाँ हैं। उत्तर के अंत में, यह योजना के निष्पादन का उदाहरण देता है और समझ जाता है कि यह काम नहीं करता।

यह कहता है कि कोई समाधान है, लेकिन मैंने इसे और आगे नहीं बढ़ाया। यह व्यवहार पहले वाले उदाहरण जैसा ही लगा—कुछ अहम चरण छोड़ दिए जाते हैं, और फिर हम अनिश्चित रह जाते हैं कि क्या यह वाकई समस्या सुलझा सकता है या नहीं।

उदाहरण 4: बिज़नेस के लिए फ़िडेलिटी कार्ड रणनीति

मैं अपने कॉफ़ी शॉप में एक डिजिटल लॉयल्टी कार्ड प्रोग्राम लागू कर रहा हूँ और सोच रहा था कि सबसे अच्छी रणनीति क्या हो। मैंने विवरण Gemini Deep Think को दिए और अलग-अलग रणनीतियों का व्यापक विश्लेषण तथा एक सिफारिश माँगी।

यह रहा मेरा इस्तेमाल किया हुआ प्रॉम्प्ट:

यह एक और मामला था जहाँ उत्तर आने में ज़्यादा समय नहीं लगा। इसने चार समाधान प्रस्तावित किए और प्रत्येक के फ़ायदे-नुकसान बताए।

पहला समाधान:

दूसरा समाधान:

तीसरा समाधान:

चौथा समाधान:

इस समस्या में, उत्तर अच्छा लगा, लेकिन यह अन्य मॉडलों से अलग नहीं लगा। मुझे लगता है कि ऐसे मामलों में Deep Think का उपयोग ज़रूरत से ज़्यादा है और सामान्य AI मॉडल भी ऐसे कार्यों में उतना ही अच्छा कर सकते हैं।

उदाहरण 5: कोड लिखना

आखिर में, मैंने Gemini Deep Think को एक कोडिंग टास्क पर परखा। मैंने भाषा या तकनीकी विवरण नहीं दिए, बस वह समस्या बताई जिसे हल करना था।

उत्तर बहुत निराशाजनक था—इसने कोड तक नहीं दिया। यह शायद कोई साधारण बग रहा हो, लेकिन Deep Think की कीमत पर यह स्वीकार्य नहीं है।

उत्तर ने न केवल कोड नहीं दिया बल्कि यह भी नहीं समझाया कि समाधान कैसे काम करेगा। यह संदेश भेजते समय मैं संदेश-सीमा से टकरा गया, तो सोचता हूँ कि क्या इसका उत्तर पर असर पड़ा। हालाँकि यह अजीब होगा क्योंकि यह संदेश खुद सीमा के भीतर ही था।

निष्कर्ष

जिन समस्याओं को मैंने आज़माया, उनमें मुझे Deep Think के उत्तरों और अन्य chain-of-thought मॉडलों के उत्तरों में बड़ा फर्क महसूस नहीं हुआ। इसलिए, बेहतर बेंचमार्क प्रदर्शन और गोल्ड मेडल जीतने की क्षमता के बावजूद, मुझे लगता है कि अधिकांश लोगों के लिए यह बहुत अधिक मूल्य नहीं जोड़ता। मैं इसे शोधकर्ताओं के लिए लक्षित एक टूल के रूप में देखता हूँ।

एक बात जो खटकी, वह यह कि Deep Think सीमा पूरी होने के बाद आप सामान्य मॉडल के साथ बातचीत जारी नहीं रख सकते। कई बार लगा कि Deep Think से समस्या का किकस्टार्ट मिल जाए और फिर सामान्य मॉडल शुरुआती विचारों को लेकर अंतिम समाधान तक पहुँचा दे—यह पर्याप्त होता।

मैं मानता हूँ कि Deep Think कुछ प्रभावशाली उपलब्धियाँ लेकर आता है। IMO में मेडल जीतना कोई छोटी बात नहीं है, और जैसे-जैसे ये मॉडल विकसित होंगे, वे शोधकर्ताओं के लिए बेहद उपयोगी उपकरण बन सकते हैं। मुझे लगता है, किसी मानव के साथ मिलकर Deep Think शोध को आगे बढ़ाने में मदद कर सकता है।

अपने PhD के दौरान, मैं अक्सर विचार साझा करते समय अटक जाता था, भले ही दूसरा व्यक्ति समाधान न दे पाता हो। यदि मेरे पास Deep Think जैसा मॉडल साथ होता, तो विचार-मंथन ज़्यादा बार और तेज़ी से हो पाता—और मैं विचारों को जल्दी मान्य या खारिज कर पाता।