Lewati ke konten utama

Penjelasan Google Deep Review

Google Deep Review memeriksa dokumen panjang dengan agen AI paralel. Lihat cara kerjanya, hasil SPOT, dan cara menggunakannya gratis.
Vaibhav Mehra
Vaibhav Mehra

Buat Akun Gratis Anda

Berlatih dan lacak kemajuan Anda.

Lanjutkan dengan GoogleDengan melanjutkan, Anda menyetujui Ketentuan Penggunaan, Kebijakan Privasi dan bahwa data Anda disimpan di AS.

Bayangkan Anda memberikan laporan setebal 40 halaman kepada seorang teman dan berkata, "Bisa cek ini dari kesalahan dalam 10 menit?"

Mungkin mereka akan menemukan beberapa salah ketik dan satu dua kalimat yang tidak benar secara tata bahasa. Apakah mereka akan menyadari angka di halaman 3 tidak cocok dengan angka yang sama di halaman 31? Kemungkinan besar tidak.

Sekarang berikan laporan yang sama ke sebuah tim.

Seseorang yang jago matematika menangani persamaan, orang lain menelusuri eksperimen, semua orang mendapat salinan laporan lengkap, dan seorang editor mengumpulkan semua catatan mereka dan memeriksa ulang hal-hal yang terasa janggal.

Tim itu akan menemukan jauh lebih banyak, termasuk jenis kesalahan yang benar-benar penting.

Google Deep Review adalah pendekatan kedua itu, dalam bentuk perangkat lunak. Ini adalah sistem AI berbasis agen dari Google Research yang memeriksa dokumen panjang dan kompleks dengan membaginya menjadi bagian-bagian, meninjau setiap bagian secara paralel, lalu menggabungkan hasilnya menjadi satu laporan.

Google membukanya untuk publik pada 14 Oktober 2026, dengan 2 ulasan gratis per minggu.

Dalam artikel ini, saya akan membahas apa itu Deep Review, bagaimana alur 4 tahapnya bekerja, apa yang ditunjukkan hasil yang dipublikasikan Google, dan bagaimana membangun polanya sendiri. Anda juga bisa melihat panduan kami untuk Gemini 3.1 Pro dan kursus Multi-Agent Systems with LangGraph.

Gambaran Singkat

  • Deep Review membagi dokumen menjadi beberapa bagian, memberi lebih banyak komputasi pada bagian yang lebih sulit, meninjau setiap bagian secara paralel dengan tetap melihat dokumen lengkap, lalu menggabungkan dan memeriksa fakta dari temuan-temuan tersebut.
  • Pada subset matematika dan ilmu komputer dari tolok ukur SPOT (26 paper, 29 kesalahan), Paper Assistant Tool (PAT) dari Google menangkap 89,7% kesalahan, dibanding 55,2% untuk Gemini 3.1 Pro yang digunakan sendiri.
  • Setiap pengguna mendapatkan 2 ulasan gratis per minggu. Saat ini hanya menerima PDF dan teks biasa.
  • Semua angka akurasi berasal dari Google dan dari penulis yang ikut serta. Belum ada yang menguji versi publiknya secara independen.
  • Ini memeriksa penalaran dalam dokumen Anda, bukan kode Anda, jadi bug di pipeline tetap dapat menghasilkan angka yang salah namun terlihat konsisten.

Apa Itu Google Deep Review?

Google Deep Review adalah sistem AI berbasis agen yang memberikan umpan balik dan verifikasi teknis pada dokumen panjang dan kompleks. Sistem ini membagi dokumen menjadi beberapa bagian, memeriksa setiap bagian secara paralel, dan menggabungkan hasilnya menjadi satu laporan.

Deep Review awalnya dibuat untuk paper riset. Google kini mengatakan sistem ini juga bekerja untuk dokumen desain, presentasi, serta dokumen legal dan finansial. Anda dapat menggunakannya melalui Google Research Portal, dan Google mengumumkannya di acara Research@.

Kembali ke analogi kita, Deep Review adalah tim plus editor. Ia membagi pekerjaan sehingga setiap bagian diperiksa dengan saksama, alih-alih membaca dokumen Anda sekali dan memberikan kesan pertama.

Mengapa Google membangun Deep Review?

AI membuat penulisan dokumen menjadi murah, tetapi pengecekannya masih lambat dan mahal. Google menyebut ini sebagai validation bottleneck: informasi dihasilkan lebih cepat daripada dapat ditinjau secara ketat.

Menurut Google, jumlah pengiriman gabungan ke 3 konferensi AI besar (ICLR, NeurIPS, dan ICML) tumbuh dari sekitar 23.000 pada 2023 menjadi kira-kira 74.000 pada 2026.

Jumlah peninjau yang berkualifikasi tidak meningkat tiga kali lipat dalam periode yang sama. (Angka 2026 sebagian diperkirakan, karena hitungan NeurIPS dalam paper Google merupakan proyeksi.)

Dari Paper Assistant Tool ke Deep Review

Deep Review berawal sebagai Paper Assistant Tool (PAT). Google mengujicobakannya dengan 4 konferensi ilmu komputer: STOC 2026, ICML 2026, NeurIPS 2026, dan ICLR 2027.

Penulis dapat ikut serta dan mendapatkan umpan balik privat pada paper mereka sebelum tenggat.

Lebih dari 16.000 paper melewati pilot tersebut.

Umpan balik dipisahkan dari penelaahan sejawat resmi, sehingga tidak berpengaruh pada apakah sebuah paper diterima.

Versi publik menambahkan dukungan untuk Gemini 4 Argon, yang menurut Google membuatnya lebih kuat daripada PAT versi lama. Google juga membangun pola terkait ke dalam Antigravity, lingkungan pengodean berbasis agen miliknya.

Teamwork Deep Document Review Pattern dijalankan dengan perintah /teamwork-preview.

Bagaimana Cara Kerja Deep Review?

Deep Review bekerja sebagai pipeline 4 tahap: membagi dokumen, mengalokasikan upaya per bagian, meninjau bagian-bagian secara paralel, dan menggabungkan temuan.

Cara yang jelas untuk meninjau paper dengan model bahasa besar (LLM) adalah menempelkan seluruhnya dan meminta umpan balik.

Itulah "teman dengan 10 menit" dalam analogi kita. Google memberikan 3 alasan mengapa cara itu kurang memadai:

  • Model kehabisan anggaran berpikir sebelum mencapai bagian tersulit
  • Ia melewatkan dependensi antara bagian yang berjauhan
  • Ia menerima klaim bernuansa tanpa menelisiknya dengan saksama

Tim peninjau kita mengikuti 4 langkah yang sama seperti pipeline tersebut. Mari kita bahas tiap tahap.

Tahap 1: Segmentasi dokumen

Seorang agen penyegmentasi memecah dokumen menjadi bagian-bagian logis seperti pendahuluan, metode, eksperimen, dan pembuktian.

Bagian-bagian tersebut bisa saling tumpang tindih, tetapi secara keseluruhan harus mencakup seluruh dokumen.

Dalam analogi kita, ini adalah tim yang memutuskan siapa memeriksa bab mana sebelum siapa pun mulai membaca. Tidak ada bagian dokumen yang terlewat.

Tahap 2: Penganggaran komputasi adaptif

Beberapa bagian jauh lebih sulit diperiksa daripada yang lain.

Sebuah pembuktian matematika panjang memerlukan pemikiran jauh lebih cermat dibanding bagian related work, yang sebagian besar berupa daftar paper lain.

Deep Review memeriksa seberapa padat tiap bagian dan memberikan lebih banyak komputasi pada bagian yang lebih sulit.

Paper Google menggambarkan jalur pemikiran ringan, sedang, dan tinggi, dengan bukti dan teori mendapatkan jalur tinggi. Jika Anda pernah menggunakan model dengan pengaturan "thinking", idenya mirip namun diterapkan pada tiap bagian secara terpisah.

Tahap 3: Verifikasi paralel mendalam

Selanjutnya, agen peninjau memeriksa semua bagian secara bersamaan. Setiap agen fokus pada bagiannya sendiri, tetapi setiap agen tetap dapat melihat seluruh dokumen.

Misalnya Bagian 5 menggunakan hasil yang dikerjakan di Bagian 2.

Agen yang memeriksa Bagian 5 dapat kembali melihat apakah keduanya cocok. Model yang hanya melihat Bagian 5 tidak akan punya peluang menangkap hal itu.

Tahap 4: Sintesis global dan grounding

Terakhir, sebuah agen sintesis berperan sebagai editor kita.

Ia menggabungkan laporan bagian-bagian, menghapus komentar duplikat, mencari kontradiksi antarbagian, dan menjalankan ulang pemeriksaan logika apa pun yang masih diragukan.

Ia juga menjalankan pemeriksaan grounding terhadap sumber luar, termasuk Google Search, untuk menangkap halusinasi seperti paper atau teorema yang tidak ada.

Tanpa langkah ini, peninjau dapat dengan yakin menandai masalah yang tidak nyata dan membuang waktu Anda.

Cara Membangun Pipeline Gaya Deep Review di Python

Deep Review adalah pola map-reduce yang dibangun dari agen LLM: membagi pekerjaan, memeriksa bagiannya secara paralel, lalu menyatukan hasilnya. Anda dapat membangun versi sederhana dalam kurang dari 80 baris.

Contoh di bawah menggunakan Google Gen AI SDK dengan Gemini 3.1 Pro.

Pengaturan thinking_level-nya memberi kita cara untuk membangun versi Tahap 2 sendiri.

from concurrent.futures import ThreadPoolExecutor

from google import genai
from google.genai import types

client = genai.Client()  # reads GEMINI_API_KEY from your environment
MODEL = "gemini-3.1-pro-preview"


def split_into_sections(text):
    """Stage 1: split a Markdown document on its headings.
    Deep Review uses a segmenter agent for this step."""
    sections, current = [], []
    for line in text.splitlines():
        if line.startswith("#") and current:
            sections.append("\n".join(current))
            current = []
        current.append(line)
    if current:
        sections.append("\n".join(current))
    return sections


def thinking_level_for(section):
    """Stage 2: a very rough version of adaptive budgeting. More math, more thinking."""
    math_signals = section.count("$") + section.count("=")
    if math_signals > 20:
        return types.ThinkingLevel.HIGH
    return types.ThinkingLevel.LOW


def review_section(section, full_doc):
    """Stage 3: review one section while still seeing the full document."""
    prompt = (
        "You are reviewing one section of a technical document.\n\n"
        f"Full document for context:\n{full_doc}\n\n"
        f"Section to review:\n{section}\n\n"
        "List math errors, logic gaps, and claims not supported by evidence. "
        "Quote the exact text for each issue. Say 'No issues' if there are none."
    )
    response = client.models.generate_content(
        model=MODEL,
        contents=prompt,
        config=types.GenerateContentConfig(
            thinking_config=types.ThinkingConfig(
                thinking_level=thinking_level_for(section)
            )
        ),
    )
    return response.text


def deep_review_lite(full_doc):
    sections = split_into_sections(full_doc)

    # Map step: review every section in parallel
    with ThreadPoolExecutor(max_workers=4) as pool:
        reports = list(pool.map(lambda s: review_section(s, full_doc), sections))

    # Stage 4 (reduce step): merge, remove duplicates, drop issues the document resolves
    merge_prompt = (
        "Merge these section reviews into one report with three headings: "
        "Major concerns, Minor corrections, Suggestions. "
        "Remove duplicates and drop any issue the full document clearly resolves.\n\n"
        f"Full document:\n{full_doc}\n\n"
        "Section reviews:\n\n" + "\n\n---\n\n".join(reports)
    )
    final = client.models.generate_content(model=MODEL, contents=merge_prompt)
    return final.text


if __name__ == "__main__":
    with open("my_report.md", encoding="utf-8") as f:
        print(deep_review_lite(f.read()))

Tidak masalah jika Anda tidak mengikuti setiap baris. Struktur keseluruhan lebih penting daripada kode pastinya. Berikut bagaimana ini selaras dengan 4 tahap:

  • split_into_sections() adalah penyegmentasi kita (Tahap 1)
  • thinking_level_for() memutuskan upaya untuk tiap bagian (Tahap 2)
  • ThreadPoolExecutor menjalankan peninjau secara paralel, dan masing-masing mendapatkan dokumen lengkap (Tahap 3)
  • merge_prompt di akhir adalah editor kita (Tahap 4)

Versi ini jauh lebih sederhana daripada aslinya. Tidak ada agen penyegmentasi, tidak ada pemeriksaan ke Google Search, dan tidak ada peninjauan ulang terhadap temuan yang diragukan.

Namun ini mengatasi 2 dari 3 masalah yang disebut Google: kehabisan anggaran berpikir dan melewatkan keterkaitan antarbagian.

Ini juga memiliki biaya yang perlu diperhatikan.

Setiap panggilan peninjau membawa dokumen lengkap, sehingga penggunaan token bertambah seiring jumlah bagian.

Pemecah juga memperlakukan baris apa pun yang dimulai dengan # sebagai heading, termasuk komentar di dalam blok kode, jadi uji dulu pada berkas Anda sendiri.

Cara Menggunakan Google Deep Review

Menggunakan Deep Review memerlukan beberapa menit penyiapan, lalu menunggu sementara para agen bekerja.

Menyiapkan ulasan pertama Anda

Enam langkah menjalankan Deep Review, dari masuk hingga menindaklanjuti umpan balik

Gambar 1: Langkah-langkah menjalankan Deep Review, dari masuk hingga menindaklanjuti umpan balik. Diagram oleh penulis, berdasarkan halaman Deep Review milik Google Research.

  1. Buka Google Research Portal dan jalankan Deep Review.
  2. Masuk dengan akun Google Anda.
  3. Unggah PDF atau tempelkan teks biasa.
  4. Opsional, tambahkan konteks khusus untuk memberi tahu apa yang perlu diperiksa, dan atur kedalaman ulasan serta tingkat berpikir. Ulasan gratis menggunakan Sedang untuk keduanya.
  5. Mulai ulasan. Google mengatakan prosesnya sekitar 10 hingga 20 menit, dan dokumen yang lebih panjang bisa sampai 30 menit.

Beberapa batasan yang perlu diketahui:

  • Anda mendapatkan 2 ulasan gratis setiap minggu, dan Anda tidak memerlukan kunci API untuk itu.
  • PDF dan teks biasa adalah satu-satunya format yang diterima saat ini.
  • Google mengatakan dukungan multifile segera hadir, yang cocok untuk paper beserta lampirannya.

Membaca laporan

Sebuah laporan Deep Review ditampilkan di samping paper DeepSeek-V4.1-Flash, dengan ringkasan tingkat tinggi dan kelebihan

Gambar 2: Contoh laporan Google Deep Review, ditampilkan di samping paper yang ditinjaunya. Gambar diambil dari: ScriptByAI, Deep Review: Google's AI Reviewer for Papers and Technical Documents.

Laporan dimulai dengan Umpan Balik Umum, sebuah ringkasan, lalu memberikan Umpan Balik Terperinci di bawahnya.

Anda dapat memfilter komentar terperinci menjadi perhatian utama, koreksi kecil, dan saran, dan setiap komentar menyebutkan bagian atau halaman yang dirujuk.

Ada juga tampilan komentar dan tombol Copy Report yang menyalin seluruh ulasan sebagai Markdown. Itu berguna untuk ditempel ke catatan Anda dan dikerjakan poin demi poin.

Seberapa Akurat Google Deep Review?

Hasil Google sendiri menunjukkan bahwa pendahulunya Deep Review, PAT, menangkap 89,7% kesalahan matematika dan ilmu komputer pada tolok ukur SPOT, dibanding 55,2% untuk Gemini 3.1 Pro yang digunakan sendiri.

Angka-angka tersebut berasal dari paper PAT, Towards Automating Scientific Review with Google's Paper Assistant Tool.

SPOT adalah tolok ukur yang dibangun dari kesalahan nyata dalam paper yang kemudian ditarik atau dikoreksi. Google menguji PAT pada subset matematika dan ilmu komputer dengan kesalahan persamaan dan pembuktian: 26 paper yang berisi 29 kesalahan.

Recall PAT sekitar 34 poin persentase lebih tinggi daripada baseline sekali panggil.

Ada dua catatan penting.

Pertama, para penulis menggunakan penilai mereka sendiri, yang menerima deskripsi kesalahan yang setara secara logis, sehingga Anda tidak bisa membandingkan angka-angka ini secara langsung dengan hasil SPOT asli.

Kedua, paper tersebut tidak konsisten mengenai model: teksnya menggambarkan PAT didukung oleh Gemini Deep Think, sementara tabel hasil memberi label angka 89,7% sebagai PAT dengan Gemini 3.1 Pro. Bagaimanapun, ini bukan Deep Review publik.

Umpan balik pilotnya juga terlihat bagus.

Google mensurvei penulis dari pilot STOC dan ICML, yang meninjau lebih dari 4.700 pengiriman secara total. Di antara 857 responden (124 di STOC, 733 di ICML):

  • 92,7% responden STOC dan 90,7% responden ICML mengatakan umpan baliknya sangat atau sebagian besar membantu
  • Sekitar 1 dari 10 penulis STOC dan lebih dari 1 dari 3 penulis ICML (35,4%) mengatakan alat ini menemukan kesalahan teori signifikan yang memerlukan lebih dari satu jam untuk diperbaiki
  • 31% responden ICML menjalankan eksperimen baru karena masukan dari PAT

Angka terakhir itu menarik perhatian saya.

Menjalankan eksperimen tambahan tepat sebelum tenggat adalah hal yang berat, jadi umpan baliknya pasti meyakinkan.

Namun, semua angka ini berasal dari Google dan dari penulis yang memilih untuk ikut serta, dan belum ada yang menguji Deep Review publik secara independen. Perlakukan ini sebagai sinyal yang menjanjikan, bukan bukti tentang kinerjanya pada dokumen Anda sendiri.

Bagaimana Data Scientist Dapat Menggunakan Deep Review?

Anda tidak perlu menulis pembuktian matematika untuk menemukan kegunaan Deep Review.

Banyak yang ditulis oleh data scientist dan analis adalah rangkaian klaim yang didukung angka, yang memang dibangun untuk diperiksa oleh Deep Review.

Berikut beberapa tempat yang menurut saya masuk akal:

DokumenApa yang dapat dibantu diperiksa oleh Deep Review
Laporan analisisApakah setiap kesimpulan didukung oleh angka dalam laporan
Tulisan hasil uji A/BKlaim statistik yang lemah, atau ukuran sampel yang berubah antarbagian
Dok desain MLBagian-bagian di mana arsitektur dan evaluasi tidak selaras
Tulisan ringkasan notebookPenjelasan di sekitar hasil Anda (ekspor notebook sebagai PDF terlebih dahulu)

Google menggambarkan Deep Review sebagai pemeriksa penalaran dalam dokumen Anda. Ia tidak mengatakan apa pun tentang menjalankan kode Anda, jadi bug dalam pipeline Anda tetap dapat membuat angka salah yang terlihat sangat konsisten.

Alur kerja yang baik terlihat seperti ini:

  1. Selesaikan draf penuh terlebih dahulu. Meninjau setengah dokumen menghabiskan salah satu dari 2 ulasan mingguan Anda.
  2. Jalankan Deep Review dan periksa sendiri setiap perhatian utama sebelum mengubah apa pun.
  3. Perbaiki apa pun yang ternyata benar-benar bermasalah, dan jalankan lagi jika Anda masih memiliki jatah ulasan.

Untuk menggunakannya di dalam alat Anda sendiri, API Deep Review memungkinkan Anda menjalankan ulasan dari kode, misalnya, sebagai bagian dari pipeline continuous integration (CI).

Anda menghubungkan kunci API Gemini Anda sendiri, sehingga penggunaan ditagihkan melalui akun API Gemini Anda.

Biaya bergantung pada panjang dokumen dan upaya penalaran, jadi uji pada satu dokumen sebelum membangun apa pun di sekitarnya.

Keterbatasan Google Deep Review

Keterbatasan terbesar adalah Deep Review dapat salah dalam dua arah.

Paper PAT mengatakan pilot memunculkan kasus di mana alat ini secara keliru menyebut pembuktian yang benar sebagai salah karena kegagalan penalaran, dan para penulis mengatakan mereka masih mengerjakannya.

Grounding adalah angka lain yang perlu diperhatikan.

Hanya 55,8% responden STOC dan 64,8% responden ICML yang mengatakan umpan baliknya sebagian besar atau sepenuhnya grounded, sehingga kira-kira 35% hingga 44% responden tidak merasa umpan balik tersebut sebagian besar grounded.

Periksa setiap perhatian utama terhadap dokumen Anda sebelum menindaklanjutinya.

Ia juga tidak membuat penilaian.

Ia tidak akan memberi tahu apakah ide Anda baru atau menarik, dan tidak memberi peringkat paper. Bagian itu tetap menjadi tanggung jawab Anda dan para peninjau.

Lalu ada privasi.

Google mengatakan tidak pernah menggunakan dokumen yang diunggah untuk melatih, menyetel, atau meningkatkan modelnya, tetapi menyimpannya selama 1 tahun agar Anda dapat melihatnya di antarmuka.

Jika Anda mengerjakan sesuatu di bawah perjanjian kerahasiaan (NDA), saya akan mempertimbangkan dua kali sebelum mengunggahnya.

Beberapa keterbatasan lain:

  • Ini adalah sistem tertutup tanpa bobot terbuka dan tanpa cara untuk menjadi host sendiri, sehingga Anda sepenuhnya bergantung pada model Google
  • Saat ini hanya menerima PDF dan teks biasa
  • 2 ulasan gratis per minggu cepat habis jika Anda sering mengubah draf
  • Setiap angka akurasi sejauh ini berasal dari Google

Penutup

Deep Review lebih mirip tim peninjau kita daripada teman dengan 10 menit. Menurut saya cara terbaik menggunakannya adalah sebagai satu putaran lagi atas draf sebelum Anda menekan tombol kirim, dengan Anda memeriksa setiap perhatian utamanya.

Ia menandai hal-hal yang bukan masalah nyata; ia tidak bisa menilai apakah karya Anda orisinal, dan akurasinya masih perlu diuji oleh pihak di luar Google.

Desainnya adalah bagian yang patut diambil. Membagi pekerjaan, memberikan upaya lebih pada bagian yang sulit, memeriksa semuanya secara paralel, dan menggabungkan hasilnya bekerja pada hampir semua agen yang harus menangani dokumen panjang.

Jika Anda ingin membangun agen seperti ini, saya sarankan melihat kursus Multi-Agent Systems with LangGraph kami.

FAQ Google Deep Review

Apakah Google Deep Review gratis?

Ya, semua orang mendapatkan 2 ulasan gratis per minggu. Jika Anda butuh lebih, Anda dapat menghubungkan kunci API Gemini Anda sendiri.

Jenis file apa yang diterima Deep Review?

Saat ini, hanya PDF dan teks biasa. Google mengatakan dukungan untuk beberapa berkas akan segera hadir.

Apakah Google melatih modelnya menggunakan dokumen saya?

Tidak. Google mengatakan dokumen yang diunggah tidak pernah digunakan untuk melatih, menyetel, atau meningkatkan modelnya. Dokumen disimpan selama 1 tahun agar Anda dapat melihatnya di antarmuka Deep Review.

Apakah ada API Deep Review?

Ya. API Deep Review berjalan pada kunci API Gemini Anda sendiri, sehingga Anda dapat menjalankan ulasan dari kode Anda sendiri, misalnya dalam pipeline CI.

Berapa lama waktu yang dibutuhkan untuk Deep Review?

Menurut Google, sekitar 10 hingga 20 menit per dokumen. Dokumen yang lebih panjang dengan banyak matematika mendapat komputasi lebih, sehingga dapat memakan waktu hingga 30 menit.

Seberapa akurat Google Deep Review?

Pada subset matematika dan ilmu komputer dari tolok ukur SPOT, alat pendahulu Google, PAT, menangkap 89,7% kesalahan, dibanding 55,2% untuk Gemini 3.1 Pro saja. Hasil ini berasal dari Google dan belum diuji secara independen pada Deep Review publik.

Vaibhav Mehra

Penulis

Vaibhav Mehra

Topik

Terkait

blogs

40 Pertanyaan Wawancara DBMS Teratas di 2026

blogs

Spaghetti Plot dan Jalur Badai