Vai al contenuto principale

Google Deep Review: spiegazione

Google Deep Review controlla documenti lunghi con agenti AI in parallelo. Scopri come funziona, i risultati su SPOT e come usarlo gratis.
Vaibhav Mehra
Vaibhav Mehra

Crea il tuo account gratuito

Pratica and corso your progress.

Continua con GoogleContinuando, accetti la nostra Termini di utilizzo, i nostri Informativa sulla privacy e il fatto che i tuoi dati sono archiviati negli USA.

Immagina di consegnare a un amico un report di 40 pagine e chiedergli: "Puoi controllarlo per errori nei prossimi 10 minuti?"

Probabilmente troverà un paio di refusi e qualche frase grammaticalmente scorretta qua e là. Noterebbe che un numero a pagina 3 non coincide con lo stesso numero a pagina 31? Difficile.

Ora dai lo stesso report a un team.

Una persona brava con la matematica prende le equazioni, un'altra passa al setaccio gli esperimenti, tutti hanno una copia dell'intero report, e un editor raccoglie gli appunti e ricontrolla tutto ciò che non torna.

Quel team troverà molte più cose, inclusi gli errori che contano davvero.

Google Deep Review è quel secondo approccio, ma come software. È un sistema di AI agentica di Google Research che controlla documenti lunghi e complessi suddividendoli in sezioni, revisionando ogni sezione in parallelo e combinando i risultati in un unico report.

Google lo ha aperto al pubblico il 14 ottobre 2026, con 2 revisioni gratuite a settimana.

In questo articolo vedremo cos'è Deep Review, come funziona la sua pipeline in 4 fasi, cosa mostrano i risultati pubblicati da Google e come costruire lo stesso pattern da solo. Puoi anche consultare la nostra guida a Gemini 3.1 Pro e il nostro corso Sistemi multi-agente con LangGraph.

In breve

  • Deep Review divide un documento in sezioni, assegna più calcolo alle sezioni più difficili, revisiona ogni sezione in parallelo avendo sott'occhio l'intero documento, quindi unisce e verifica i riscontri.
  • Su un sottoinsieme matematico e informatico del benchmark SPOT (26 articoli, 29 errori), il Paper Assistant Tool (PAT) di Google ha individuato l'89,7% degli errori, contro il 55,2% di Gemini 3.1 Pro usato da solo.
  • Ogni utente ha 2 revisioni gratuite a settimana. Accetta solo PDF e testo semplice.
  • Tutti i numeri di accuratezza provengono da Google e da autori che hanno aderito. Nessuno ha ancora testato in modo indipendente la versione pubblica.
  • Controlla il ragionamento nel tuo documento, non il tuo codice, quindi un bug nella pipeline può comunque produrre numeri sbagliati che sembrano coerenti.

Che cos'è Google Deep Review?

Google Deep Review è un sistema di AI agentica che fornisce feedback e verifiche tecniche su documenti lunghi e complessi. Suddivide un documento in sezioni, controlla ogni sezione in parallelo e combina i risultati in un unico report.

Deep Review è stato creato inizialmente per gli articoli di ricerca. Google ora afferma che funziona anche per documenti di design, presentazioni e documenti legali e finanziari. Puoi usarlo tramite il Google Research Portal, ed è stato annunciato all'evento Research@.

Tornando alla nostra analogia, Deep Review è il team più l'editor. Suddivide il lavoro in modo che ogni parte riceva un esame attento, invece di leggere una sola volta il documento e dare una prima impressione.

Perché Google ha creato Deep Review?

L'AI ha reso la scrittura di documenti economica, ma controllarli è ancora lento e costoso. Google definisce questo il collo di bottiglia della validazione: l'informazione viene generata più velocemente di quanto possa essere esaminata con rigore.

Secondo Google, il numero combinato di invii a 3 principali conferenze di AI (ICLR, NeurIPS e ICML) è cresciuto da circa 23.000 nel 2023 a circa 74.000 nel 2026.

Il numero di revisori qualificati non è triplicato nello stesso periodo. (La cifra del 2026 è in parte stimata, poiché il conteggio di NeurIPS nel paper di Google è una proiezione.)

Dal Paper Assistant Tool a Deep Review

Deep Review è nato come Paper Assistant Tool (PAT). Google lo ha sperimentato con 4 conferenze di informatica: STOC 2026, ICML 2026, NeurIPS 2026 e ICLR 2027.

Gli autori potevano aderire e ricevere feedback privato sul loro paper prima della scadenza.

Oltre 16.000 articoli hanno preso parte ai piloti.

Il feedback è stato tenuto separato dalla peer review ufficiale, quindi non ha influenzato l'accettazione o meno del paper.

La versione pubblica aggiunge il supporto a Gemini 4 Argon, che secondo Google lo rende più potente del vecchio PAT. Google ha anche integrato un pattern correlato in Antigravity, il suo ambiente di coding basato su agenti.

Il Teamwork Deep Document Review Pattern si esegue con il comando /teamwork-preview.

Come funziona Deep Review?

Deep Review funziona come una pipeline in 4 fasi: suddivide il documento, assegna il budget di sforzo per sezione, revisiona le sezioni in parallelo e unisce i riscontri.

Il modo più ovvio per revisionare un paper con un large language model (LLM) è incollare tutto e chiedere un feedback.

È il "l'amico con 10 minuti" della nostra analogia. Google dà 3 motivi per cui non basta:

  • Il modello esaurisce il budget di ragionamento prima di arrivare alle parti difficili
  • Perde le dipendenze tra sezioni lontane
  • Accetta affermazioni sfumate senza esaminarle a fondo

Il nostro team di revisori segue le stesse 4 fasi della pipeline. Vediamo ogni fase.

Fase 1: Segmentazione del documento

Un agente segmentatore suddivide il documento in parti logiche come introduzione, metodi, esperimenti e dimostrazioni.

Le parti possono sovrapporsi, ma insieme devono coprire l'intero documento.

Nella nostra analogia, è il team che decide chi controlla quale capitolo prima che qualcuno inizi a leggere. Nessuna parte del documento viene saltata.

Fase 2: Budget di calcolo adattivo

Alcune sezioni sono molto più difficili da controllare di altre.

Una lunga dimostrazione matematica richiede molta più attenzione di una sezione sui lavori correlati, che è perlopiù un elenco di altri articoli.

Deep Review valuta quanto è densa ogni parte e assegna più calcolo a quelle più impegnative.

Il paper di Google descrive percorsi di ragionamento leggeri, medi e alti, con dimostrazioni e teoria sul livello alto. Se hai usato un modello con un'impostazione di "thinking", è un'idea simile applicata separatamente a ciascuna sezione.

Fase 3: Verifica profonda e parallela

Poi, agenti revisori controllano tutte le sezioni contemporaneamente. Ogni agente si concentra sulla propria sezione, ma tutti possono comunque vedere l'intero documento.

Metti che la Sezione 5 usi un risultato sviluppato nella Sezione 2.

L'agente che controlla la Sezione 5 può tornare indietro e verificare se i due coincidono. Un modello che avesse davanti solo la Sezione 5 non avrebbe alcuna possibilità di accorgersene.

Fase 4: Sintesi globale e grounding

Infine, un agente di sintesi svolge il ruolo del nostro editor.

Combina i report delle sezioni, rimuove i commenti duplicati, cerca contraddizioni tra sezioni e rilancia eventuali controlli logici di cui non è sicuro.

Esegue anche controlli di grounding su fonti esterne, incluso Google Search, per intercettare allucinazioni come articoli o teoremi inesistenti.

Senza questo passaggio, il revisore potrebbe segnalare con sicurezza problemi che non sono reali e farti perdere tempo.

Come costruire una pipeline in stile Deep Review in Python

Deep Review è un pattern map-reduce costruito con agenti LLM: suddividi il lavoro, controlla i pezzi in parallelo, poi rimetti insieme i risultati. Puoi costruirne una versione semplice in meno di 80 righe.

L'esempio qui sotto usa il Google Gen AI SDK con Gemini 3.1 Pro.

La sua impostazione thinking_level ci dà un modo per costruire la nostra versione della Fase 2.

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()))

Nessun problema se non segui ogni riga. Conta di più la struttura generale del codice. Ecco come si allinea alle 4 fasi:

  • split_into_sections() è il nostro segmentatore (Fase 1)
  • thinking_level_for() decide lo sforzo per ciascuna sezione (Fase 2)
  • ThreadPoolExecutor esegue i revisori in parallelo, e ognuno vede l'intero documento (Fase 3)
  • Il merge_prompt finale è il nostro editor (Fase 4)

Questa versione è molto più semplice dell'originale. Non c'è un agente segmentatore, nessun controllo su Google Search e nessun secondo passaggio per i riscontri incerti.

Affronta però 2 dei 3 problemi elencati da Google: l'esaurimento del budget di ragionamento e la mancanza di collegamenti tra le sezioni.

Ha anche dei costi da tenere d'occhio.

Ogni chiamata al revisore include l'intero documento, quindi l'uso di token cresce con il numero di sezioni.

Lo splitter considera inoltre come intestazione qualsiasi riga che inizi con #, inclusi i commenti dentro i blocchi di codice, quindi provalo prima sui tuoi file.

Come usare Google Deep Review

Usare Deep Review richiede pochi minuti di configurazione, poi un'attesa mentre gli agenti lavorano.

Configurare la tua prima revisione

Sei passaggi per eseguire una Deep Review, dall'accesso all'azione sui feedback

Figura 1: I passaggi per eseguire una Deep Review, dall'accesso all'azione sui feedback. Diagramma dell'autore, basato sulla pagina Deep Review di Google Research.

  1. Vai al Google Research Portal e apri Deep Review.
  2. Accedi con il tuo account Google.
  3. Carica un PDF o incolla del testo semplice.
  4. Facoltativamente, aggiungi un contesto personalizzato per dirgli cosa controllare e imposta profondità della revisione e livello di ragionamento. Le revisioni gratuite usano Medium per entrambi.
  5. Avvia la revisione. Google indica circa 10–20 minuti; i documenti più lunghi possono richiedere fino a 30 minuti.

Alcuni limiti da conoscere:

  • Hai 2 revisioni gratuite a settimana e non ti serve una chiave API per usarle.
  • Al momento sono accettati solo PDF e testo semplice.
  • Google afferma che il supporto a file multipli arriverà presto, utile per un paper più appendice.

Leggere il report

Un report Deep Review mostrato accanto al paper DeepSeek-V4.1-Flash, con riepilogo di alto livello e punti di forza

Figura 2: Un esempio di report Google Deep Review, mostrato accanto al paper revisionato. Immagine tratta da: ScriptByAI, Deep Review: Google's AI Reviewer for Papers and Technical Documents.

Il report inizia con il Feedback generale, un riepilogo, quindi prosegue con i Feedback dettagliati.

Puoi filtrare i commenti dettagliati in criticità maggiori, correzioni minori e suggerimenti, e ogni commento indica la sezione o la pagina di riferimento.

C'è anche una vista a commenti e un pulsante Copia report che copia l'intera revisione in Markdown. Utile per incollarla nelle tue note e lavorarci punto per punto.

Quanto è accurato Google Deep Review?

I risultati di Google mostrano che il predecessore di Deep Review, PAT, ha individuato l'89,7% degli errori di matematica e informatica sul benchmark SPOT, contro il 55,2% di Gemini 3.1 Pro usato da solo.

I numeri provengono dal paper su PAT, Towards Automating Scientific Review with Google's Paper Assistant Tool.

SPOT è un benchmark costruito da errori reali in articoli poi ritrattati o corretti. Google ha testato PAT sul sottoinsieme di matematica e informatica con errori in equazioni e dimostrazioni: 26 articoli contenenti 29 errori.

Il recall di PAT era circa 34 punti percentuali superiore rispetto al baseline a singola chiamata.

Si applicano due avvertenze.

Primo, gli autori hanno usato un proprio valutatore, che accetta descrizioni logicamente equivalenti di un errore, quindi non puoi confrontare direttamente questi numeri con i risultati SPOT originali.

Secondo, il paper non è coerente sul modello: nel testo PAT è descritto come basato su Gemini Deep Think, mentre la tabella dei risultati attribuisce l'89,7% a PAT con Gemini 3.1 Pro. In ogni caso, non si tratta della Deep Review pubblica.

Anche i feedback dei piloti sono incoraggianti.

Google ha intervistato autori dei piloti STOC e ICML, che hanno revisionato oltre 4.700 sottomissioni in totale. Tra gli 857 rispondenti (124 a STOC, 733 a ICML):

  • Il 92,7% di STOC e il 90,7% di ICML ha definito il feedback molto o perlopiù utile
  • Circa 1 autore su 10 a STOC e più di 1 su 3 a ICML (35,4%) ha detto che è stato trovato un errore teorico significativo che ha richiesto oltre un'ora per essere corretto
  • Il 31% dei rispondenti ICML ha eseguito nuovi esperimenti in base a quanto segnalato da PAT

Quest'ultima cifra mi ha colpito.

Eseguire esperimenti extra poco prima di una scadenza è una richiesta impegnativa, quindi il feedback deve essere stato convincente.

Detto ciò, tutti questi numeri provengono da Google e da autori che hanno scelto di partecipare, e nessuno ha ancora testato in modo indipendente la versione pubblica di Deep Review. Trattali come un segnale promettente, non come la prova di come si comporterà sui tuoi documenti.

Come possono usarlo i data scientist?

Non devi scrivere dimostrazioni matematiche per trovare utile Deep Review.

Gran parte di ciò che scrivono data scientist e analyst è una serie di affermazioni supportate da numeri, ed è proprio ciò che Deep Review è progettato per controllare.

Ecco alcuni casi in cui, secondo me, ha senso:

DocumentoChe cosa può aiutare a controllare Deep Review
Report di analisiSe ogni conclusione è supportata da un numero presente nel report
Write-up di test A/BAffermazioni statistiche deboli o dimensioni del campione che cambiano tra le sezioni
Documenti di design per MLPunti in cui sezione architettura e sezione valutazione non concordano
Write-up di notebookLa spiegazione attorno ai risultati (esporta prima il notebook in PDF)

Google descrive Deep Review come un controllo del ragionamento nel tuo documento. Non parla di eseguire il tuo codice, quindi un bug nella pipeline può comunque lasciarti con numeri sbagliati ma perfettamente coerenti.

Un buon flusso di lavoro è questo:

  1. Completa prima una bozza completa. Revisionare mezzo documento consuma una delle tue 2 revisioni settimanali.
  2. Esegui Deep Review e verifica di persona ogni criticità maggiore prima di cambiare qualcosa.
  3. Sistema ciò che è effettivamente un problema e riesegui se ti è rimasta una revisione.

Per usarlo nei tuoi strumenti, l'API di Deep Review consente di lanciare revisioni da codice, ad esempio come parte di una pipeline di continuous integration (CI).

Colleghi la tua chiave API di Gemini, quindi l'uso viene fatturato tramite il tuo account API di Gemini.

Il costo dipende dalla lunghezza del documento e dallo sforzo di ragionamento, quindi provalo su un documento prima di costruirci attorno qualcosa.

Limitazioni di Google Deep Review

La limitazione maggiore è che Deep Review può sbagliare in entrambe le direzioni.

Il paper su PAT afferma che nei piloti sono emersi casi in cui lo strumento ha giudicato errata una dimostrazione corretta a causa di un errore di ragionamento, e gli autori dicono di starci ancora lavorando.

Il grounding è l'altro numero da monitorare.

Solo il 55,8% dei rispondenti STOC e il 64,8% di ICML ha dichiarato che il feedback era perlopiù o completamente fondato, quindi circa dal 35% al 44% non lo ha trovato perlopiù fondato.

Controlla ogni criticità maggiore rispetto al tuo documento prima di agire.

Inoltre, non prende decisioni di merito.

Non ti dirà se la tua idea è nuova o interessante e non classifica i paper. Questa parte spetta ancora a te e ai tuoi revisori.

Poi c'è la privacy.

Google afferma che non usa mai i documenti caricati per addestrare, ottimizzare o migliorare i suoi modelli, ma li conserva per 1 anno in modo che tu possa vederli nell'interfaccia.

Se stai lavorando su qualcosa coperto da un NDA (non disclosure agreement), ci penserei due volte prima di caricarlo.

Altre limitazioni:

  • È un sistema chiuso senza pesi open e senza possibilità di ospitarlo in proprio, quindi dipendi completamente dai modelli di Google
  • Per ora accetta solo PDF e testo semplice
  • 2 revisioni gratuite a settimana finiscono in fretta se stai apportando molte modifiche a una bozza
  • Finora ogni numero di accuratezza è arrivato da Google

Considerazioni finali

Deep Review assomiglia più al nostro team di revisori che all'amico con 10 minuti. Il modo migliore per usarlo, secondo me, è come un ultimo passaggio sulla bozza prima dell'invio, verificando personalmente ciascuna delle sue criticità maggiori.

Segnala cose che non sono veri problemi; non può giudicare se il tuo lavoro è originale e la sua accuratezza deve ancora essere testata da persone esterne a Google.

Il design è la parte da portarsi a casa. Suddividere il lavoro, dedicare più sforzo alle parti difficili, controllare tutto in parallelo e unire i risultati funziona praticamente in qualsiasi agente che debba gestire documenti lunghi.

Se vuoi costruire agenti di questo tipo, ti consiglio di dare un'occhiata al nostro corso Sistemi multi-agente con LangGraph.

Domande frequenti su Google Deep Review

Google Deep Review è gratuito?

Sì, tutti hanno 2 revisioni gratuite a settimana. Se te ne servono di più, puoi collegare la tua chiave API di Gemini.

Quali tipi di file accetta Deep Review?

Al momento, solo PDF e testo semplice. Google afferma che il supporto a file multipli arriverà presto.

Google addestra i suoi modelli sui miei documenti?

No. Google afferma che i documenti caricati non vengono mai usati per addestrare, ottimizzare o migliorare i suoi modelli. Vengono conservati per 1 anno in modo che tu possa visualizzarli nell'interfaccia di Deep Review.

Esiste un'API di Deep Review?

Sì. L'API di Deep Review usa la tua chiave API di Gemini, quindi puoi eseguire revisioni dal tuo codice, ad esempio in una pipeline CI.

Quanto tempo richiede una Deep Review?

Secondo Google, circa 10–20 minuti per documento. I documenti più lunghi e con molta matematica ricevono più calcolo e possono richiedere fino a 30 minuti.

Quanto è accurato Google Deep Review?

Su un sottoinsieme matematico e informatico del benchmark SPOT, lo strumento predecessore di Google, PAT, ha individuato l'89,7% degli errori, contro il 55,2% di Gemini 3.1 Pro da solo. Questi risultati provengono da Google e non sono stati testati in modo indipendente sulla Deep Review pubblica.

Vaibhav Mehra

Autore

Vaibhav Mehra

Argomenti

Correlato