Sari la conținutul principal

Explicarea Google Deep Review

Google Deep Review verifică documente lungi cu agenți AI în paralel. Vezi cum funcționează, rezultatele pe SPOT și cum îl poți folosi gratuit.

Creează-ți contul gratuit

Practică și urmărește-ți progresul.

Continuă cu GoogleContinuând, accepți Termenii de utilizare, Politica de confidențialitate și faptul că datele tale sunt stocate în SUA.

Imaginează-ți că îi dai unui prieten un raport de 40 de pagini și îl întrebi: „Poți verifica dacă are greșeli în următoarele 10 minute?”

Probabil va găsi câteva typo-uri și câte o propoziție incorectă gramatical pe ici, pe colo. Ar observa că un număr de la pagina 3 nu se potrivește cu același număr de la pagina 31? Probabil că nu.

Acum dă același raport unei echipe.

O persoană bună la matematică ia ecuațiile, altcineva trece prin experimente, fiecare primește o copie a raportului complet, iar un editor adună toate notițele și verifică încă o dată orice pare în neregulă.

Această echipă va găsi mult mai multe, inclusiv tipul de greșeli care chiar contează.

Google Deep Review este acea a doua abordare, dar ca software. Este un sistem AI agentic de la Google Research care verifică documente lungi și complexe împărțindu-le în secțiuni, analizând fiecare secțiune în paralel și combinând rezultatele într-un singur raport.

Google l-a deschis publicului pe 14 octombrie 2026, cu 2 recenzii gratuite pe săptămână.

În acest articol, îți prezint ce este Deep Review, cum funcționează fluxul său în 4 etape, ce arată rezultatele publicate de Google și cum să îți construiești singur același tipar. Poți vedea și ghidul nostru pentru Gemini 3.1 Pro și cursul nostru Sisteme multi-agent cu LangGraph.

Pe scurt

  • Deep Review împarte un document în secțiuni, acordă mai multă putere de calcul secțiunilor mai dificile, analizează fiecare secțiune în paralel având în vedere întregul document, apoi îmbină și verifică factual concluziile.
  • Pe un subset de matematică și informatică din benchmark-ul SPOT (26 de lucrări, 29 de erori), Paper Assistant Tool (PAT) de la Google a depistat 89,7% din erori, față de 55,2% pentru Gemini 3.1 Pro folosit singur.
  • Fiecare utilizator primește 2 recenzii gratuite pe săptămână. Acceptă doar PDF-uri și text simplu.
  • Toate cifrele de acuratețe vin de la Google și de la autori care au optat să participe. Nimeni nu a testat încă independent versiunea publică.
  • Verifică raționamentul din document, nu și codul tău, așa că o eroare în pipeline poate totuși produce numere greșite care par consecvente.

Ce este Google Deep Review?

Google Deep Review este un sistem AI agentic care oferă feedback și verificare tehnică pentru documente lungi și complexe. Împarte un document în secțiuni, verifică fiecare secțiune în paralel și combină rezultatele într-un singur raport.

Deep Review a fost construit inițial pentru lucrări de cercetare. Google spune acum că funcționează și pentru documente de proiectare, prezentări, precum și documente juridice și financiare. Îl poți folosi prin Google Research Portal, iar Google l-a anunțat la evenimentul Research@.

Revenind la analogie, Deep Review este echipa plus editorul. Împarte munca astfel încât fiecare parte să fie analizată cu atenție, în loc să-ți citească documentul o singură dată și să ofere o primă impresie.

De ce a construit Google Deep Review?

AI a făcut ieftină redactarea de documente, dar verificarea lor este încă lentă și costisitoare. Google numește asta gâtul de sticlă al validării: informația este generată mai repede decât poate fi verificată riguros.

Potrivit Google, numărul cumulat de înscrieri la 3 conferințe majore de AI (ICLR, NeurIPS și ICML) a crescut de la aproximativ 23.000 în 2023 la circa 74.000 în 2026.

Numărul de recenzori calificați nu s-a triplat în aceeași perioadă. (Cifra din 2026 este parțial estimată, deoarece numărul pentru NeurIPS din lucrarea Google este o proiecție.)

De la Paper Assistant Tool la Deep Review

Deep Review a început ca Paper Assistant Tool (PAT). Google l-a pilotat cu 4 conferințe de informatică: STOC 2026, ICML 2026, NeurIPS 2026 și ICLR 2027.

Autorii puteau opta să primească feedback privat pe lucrarea lor înainte de termenul limită.

Peste 16.000 de lucrări au trecut prin piloți.

Feedback-ul a fost păstrat separat de peer review-ul oficial, deci nu a avut efect asupra acceptării unei lucrări.

Versiunea publică adaugă suport pentru Gemini 4 Argon, despre care Google spune că îl face mai puternic decât vechiul PAT. Google a construit, de asemenea, un tipar înrudit în Antigravity, mediul său de programare bazat pe agenți.

Tiparul Teamwork Deep Document Review rulează cu comanda /teamwork-preview.

Cum funcționează Deep Review?

Deep Review funcționează ca un pipeline în 4 etape: împarte documentul, alocă bugete de efort pe secțiune, verifică secțiunile în paralel și îmbină constatările.

Modul evident de a recenza o lucrare cu un model lingvistic mare (LLM) este să lipești totul și să ceri feedback.

Asta e „prietenul cu 10 minute” din analogie. Google dă 3 motive pentru care abordarea e insuficientă:

  • Modelul rămâne fără buget de gândire înainte să ajungă la părțile dificile
  • Ratează dependențe între secțiuni îndepărtate
  • Acceptă afirmații nuanțate fără să le scruteze

Echipa noastră de recenzori urmează aceleași 4 etape ca pipeline-ul. Să trecem prin fiecare.

Etapa 1: Segmentarea documentului

Un agent segmentator împarte documentul în părți logice precum introducere, metodologie, experimente și demonstrații.

Părțile pot suprapune, dar împreună trebuie să acopere întregul document.

În analogia noastră, asta e momentul când echipa decide cine verifică ce capitol înainte ca oricine să înceapă să citească. Nicio parte a documentului nu este sărită.

Etapa 2: Bugetare adaptivă a calculului

Unele secțiuni sunt mult mai greu de verificat decât altele.

O demonstrație matematică lungă cere mult mai multă atenție decât secțiunea de lucrări conexe, care e în mare parte o listă de lucrări.

Deep Review inspectează cât de densă este fiecare parte și acordă celor mai dificile mai multă putere de calcul.

Lucrarea Google descrie piste de gândire light, medium și high, cu demonstrațiile și teoria pe pista high. Dacă ai folosit un model cu un setare de „gândire”, e o idee similară aplicată fiecărei secțiuni separat.

Etapa 3: Verificare profundă în paralel

În continuare, agenții recenzori verifică toate secțiunile în același timp. Fiecare agent se concentrează pe secțiunea lui, dar fiecare poate vedea în continuare întregul document.

Să zicem că Secțiunea 5 folosește un rezultat obținut în Secțiunea 2.

Agentul care verifică Secțiunea 5 poate reveni și vedea dacă cele două se potrivesc. Un model care ar avea doar Secțiunea 5 în față nu ar avea nicio șansă să prindă asta.

Etapa 4: Sinteză globală și ancorare

La final, un agent de sinteză joacă rolul editorului nostru.

Combină rapoartele pe secțiuni, elimină comentariile duplicate, caută contradicții între secțiuni și reexecută orice verificare logică de care nu e sigur.

De asemenea, rulează verificări de ancorare față de surse externe, inclusiv Google Search, pentru a prinde halucinații precum lucrări sau teoreme inexistente.

Fără acest pas, recenzorul ar putea semnala încrezător probleme care nu sunt reale și ți-ar irosi timpul.

Cum să construiești un pipeline în stil Deep Review în Python

Deep Review este un tipar map-reduce construit din agenți LLM: împarți munca, verifici părțile în paralel, apoi pui rezultatele laolaltă. Poți construi o versiune simplă în sub 80 de linii.

Exemplul de mai jos folosește Google Gen AI SDK cu Gemini 3.1 Pro.

Setarea thinking_level ne oferă o modalitate de a construi propria versiune a Etapei 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()))

Nu-ți face griji dacă nu urmărești fiecare linie. Structura de ansamblu contează mai mult decât codul exact. Iată cum se aliniază cu cele 4 etape:

  • split_into_sections() este segmentatorul nostru (Etapa 1)
  • thinking_level_for() decide efortul pentru fiecare secțiune (Etapa 2)
  • ThreadPoolExecutor rulează recenzorii în paralel, iar fiecare primește documentul complet (Etapa 3)
  • merge_prompt de la final este editorul nostru (Etapa 4)

Această versiune este mult mai simplă decât cea reală. Nu există agent segmentator, nici verificare în Google Search și nici a doua trecere peste constatările incerte.

Abordează totuși 2 dintre cele 3 probleme enumerate de Google: epuizarea bugetului de gândire și ratările de conexiuni între secțiuni.

Are însă și costuri de urmărit.

Fiecare apel de recenzor poartă întregul document, deci consumul de tokeni crește odată cu numărul de secțiuni.

Splitterul tratează, de asemenea, orice linie care începe cu # ca un titlu, inclusiv comentarii din blocuri de cod, așa că testează-l mai întâi pe fișierele tale.

Cum să folosești Google Deep Review

Folosirea Deep Review cere câteva minute de configurare, apoi o așteptare cât timp lucrează agenții.

Configurarea primei tale recenzii

Șase pași pentru rularea unui Deep Review, de la autentificare la acțiunea pe baza feedback-ului

Figura 1: Pașii pentru a rula un Deep Review, de la autentificare la acțiunea pe baza feedback-ului. Diagramă de autor, pe baza paginii Deep Review de la Google Research.

  1. Mergi la Google Research Portal și deschide Deep Review.
  2. Autentifică-te cu contul tău Google.
  3. Încarcă un PDF sau lipește text simplu.
  4. Opțional, adaugă context personalizat pentru a-i spune ce să verifice și setează profunzimea recenziei și nivelul de gândire. Recenziile gratuite folosesc Medium pentru ambele.
  5. Pornește recenzia. Google spune că durează aproximativ 10–20 de minute, iar documentele mai lungi pot dura până la 30.

Câteva limite de știut:

  • Primești 2 recenzii gratuite pe săptămână și nu ai nevoie de cheie API pentru ele.
  • Deocamdată, sunt acceptate doar PDF-uri și text simplu.
  • Google spune că suportul pentru fișiere multiple va veni în curând, ceea ce s-ar potrivi unei lucrări plus anexa sa.

Citirea raportului

Un raport Deep Review afișat lângă lucrarea DeepSeek-V4.1-Flash, cu un rezumat de nivel înalt și puncte forte

Figura 2: Un exemplu de raport Google Deep Review, afișat lângă lucrarea recenzată. Imagine preluată din: ScriptByAI, Deep Review: recenzorul AI al Google pentru lucrări și documente tehnice.

Raportul începe cu Feedback general, un rezumat, apoi oferă dedesubt Feedback detaliat.

Poți filtra comentariile detaliate în probleme majore, corecții minore și sugestii, iar fiecare comentariu menționează secțiunea sau pagina la care se referă.

Există și o vizualizare de comentarii și un buton Copy Report care copiază întreaga recenzie ca Markdown. E util pentru a-l lipi în notițele tale și a-l parcurge punct cu punct.

Cât de precis este Google Deep Review?

Rezultatele proprii ale Google arată că predecesorul lui Deep Review, PAT, a depistat 89,7% din erorile de matematică și informatică pe benchmark-ul SPOT, față de 55,2% pentru Gemini 3.1 Pro folosit singur.

Cifrele vin din lucrarea despre PAT, Towards Automating Scientific Review with Google's Paper Assistant Tool.

SPOT este un benchmark construit din greșeli reale în lucrări care au fost ulterior retrase sau corectate. Google a testat PAT pe subsetul de matematică și informatică cu erori de ecuație și demonstrație: 26 de lucrări conținând 29 de erori.

Recall-ul lui PAT a fost cu aproximativ 34 de puncte procentuale mai mare decât baseline-ul cu un singur apel.

Se aplică două avertismente.

În primul rând, autorii au folosit propriul evaluator, care acceptă descrieri logic echivalente ale unei erori, deci nu poți compara direct aceste cifre cu rezultatele SPOT originale.

În al doilea rând, lucrarea nu e consecventă privind modelul: textul o descrie pe PAT ca fiind alimentată de Gemini Deep Think, în timp ce tabelul de rezultate etichetează cifra de 89,7% ca PAT cu Gemini 3.1 Pro. Oricum ar fi, nu e vorba de Deep Review public.

Feedback-ul din piloți arată și el bine.

Google a chestionat autorii din piloții STOC și ICML, care au recenzat în total peste 4.700 de înscrieri. Dintre cei 857 de respondenți (124 la STOC, 733 la ICML):

  • 92,7% dintre respondenții STOC și 90,7% dintre cei ICML au spus că feedback-ul a fost foarte sau în mare parte util
  • Aproximativ 1 din 10 autori STOC și mai mult de 1 din 3 autori ICML (35,4%) au spus că a găsit o eroare teoretică semnificativă care a necesitat peste o oră pentru a fi remediată
  • 31% dintre respondenții ICML au rulat experimente noi din cauza a ceea ce le-a spus PAT

Ultima cifră mi-a atras atenția.

Să rulezi experimente suplimentare chiar înainte de un termen limită e o cerință mare, deci feedback-ul trebuie să fi fost convingător.

Totuși, toate aceste cifre vin de la Google și de la autori care au ales să participe, iar nimeni nu a testat încă independent versiunea publică Deep Review. Tratează-le ca pe un semnal promițător, nu ca dovadă a modului în care va proceda pe documentele tale.

Cum pot folosi data scientistii Deep Review?

Nu trebuie să scrii demonstrații matematice ca să găsești util Deep Review.

Mult din ceea ce scriu data scientistii și analiștii este o serie de afirmații susținute de numere, iar asta este ceea ce Deep Review este construit să verifice.

Iată câteva situații în care cred că are sens:

DocumentCe poate ajuta Deep Review să verifice
Rapoarte de analizăDacă fiecare concluzie este susținută de un număr din raport
Descrieri de teste A/BAfirmații statistice slabe sau dimensiuni ale eșantionului care se schimbă între secțiuni
Documentații de proiectare MLLocuri unde secțiunea de arhitectură și secțiunea de evaluare nu sunt de acord
Descrieri de notebook-uriExplicația din jurul rezultatelor tale (exportă întâi notebook-ul ca PDF)

Google descrie Deep Review ca verificând raționamentul din documentul tău. Nu spune nimic despre rularea codului tău, așa că o eroare în pipeline te poate lăsa în continuare cu numere greșite care par perfect consecvente.

Un flux de lucru bun arată așa:

  1. Termină mai întâi un draft complet. Recenzarea a jumătate de document îți consumă una dintre cele 2 recenzii săptămânale.
  2. Rulează Deep Review și verifică personal fiecare problemă majoră înainte de a schimba ceva.
  3. Rezolvă tot ce se dovedește a fi o problemă reală și rulează din nou dacă mai ai o recenzie disponibilă.

Pentru a-l folosi în propriile tale instrumente, API-ul Deep Review îți permite să rulezi recenzii din cod, de exemplu, ca parte a unui pipeline de integrare continuă (CI).

Conectezi propria cheie API Gemini, deci utilizarea este facturată prin contul tău Gemini API.

Costul depinde de lungimea documentului și de efortul de raționare, așa că testează-l pe un document înainte de a construi ceva în jurul lui.

Limitările Google Deep Review

Cea mai mare limitare este că Deep Review poate greși în ambele direcții.

Lucrarea despre PAT spune că piloții au scos la iveală cazuri în care instrumentul a marcat greșit o demonstrație corectă ca fiind incorectă din cauza unui eșec de raționament, iar autorii spun că încă lucrează la asta.

Ancorarea este celălalt număr de urmărit.

Doar 55,8% dintre respondenții STOC și 64,8% dintre cei ICML au spus că feedback-ul a fost în mare parte sau pe deplin ancorat, deci aproximativ 35% până la 44% dintre respondenți nu l-au considerat în mare parte ancorat.

Verifică fiecare problemă majoră față de documentul tău înainte să acționezi.

De asemenea, nu face judecăți de valoare.

Nu îți va spune dacă ideea ta este nouă sau interesantă și nu ierarhizează lucrări. Acea parte îți revine în continuare ție și recenzorilor tăi.

Apoi, este problema confidențialității.

Google spune că nu folosește niciodată documentele încărcate pentru a-și antrena, ajusta sau îmbunătăți modelele, dar le păstrează 1 an ca să le poți vedea în interfață.

Dacă lucrezi la ceva sub un acord de confidențialitate (NDA), m-aș mai gândi o dată înainte să îl încarc.

Câteva alte limitări:

  • Este un sistem închis, fără greutăți deschise și fără posibilitatea de a-l găzdui tu, deci te bazezi complet pe modelele Google
  • Acceptă deocamdată doar PDF-uri și text simplu
  • 2 recenzii gratuite pe săptămână se duc repede dacă faci multe modificări unui draft
  • Fiecare cifră de acuratețe de până acum a venit de la Google

Gânduri finale

Deep Review este mai aproape de echipa noastră de recenzori decât de prietenul cu 10 minute. Cred că cel mai bun mod de a-l folosi este ca încă o trecere peste draft înainte să apeși pe submit, cu tine verificând fiecare dintre problemele sale majore.

Semnalează lucruri care nu sunt probleme reale; nu poate judeca dacă munca ta e nouă și acuratețea lui încă trebuie testată de oameni din afara Google.

Designul este partea care merită reținută. Împărțirea muncii, acordarea unui efort mai mare părților dificile, verificarea tuturor în paralel și îmbinarea rezultatelor funcționează în aproape orice agent care trebuie să gestioneze documente lungi.

Dacă vrei să construiești agenți ca acesta, îți recomand să arunci o privire la cursul nostru Sisteme multi-agent cu LangGraph.

Întrebări frecvente despre Google Deep Review

Google Deep Review este gratuit?

Da, toată lumea primește 2 recenzii gratuite pe săptămână. Dacă ai nevoie de mai multe, poți conecta propria ta cheie API Gemini.

Ce tipuri de fișiere acceptă Deep Review?

Deocamdată, doar PDF-uri și text simplu. Google spune că suportul pentru fișiere multiple va veni în curând.

Google își antrenează modelele pe documentele mele?

Nu. Google spune că documentele încărcate nu sunt niciodată folosite pentru a-și antrena, ajusta sau îmbunătăți modelele. Ele sunt stocate timp de 1 an ca să le poți vizualiza în interfața Deep Review.

Există un API Deep Review?

Da. API-ul Deep Review rulează pe propria ta cheie API Gemini, astfel încât poți rula recenzii din propriul tău cod, de exemplu într-un pipeline CI.

Cât durează un Deep Review?

Google spune aproximativ 10–20 de minute per document. Documentele mai lungi, cu multă matematică, primesc mai multă putere de calcul, așa că pot dura până la 30 de minute.

Cât de precis este Google Deep Review?

Pe un subset de matematică și informatică din benchmark-ul SPOT, instrumentul predecesor al Google, PAT, a depistat 89,7% din erori, față de 55,2% pentru Gemini 3.1 Pro singur. Aceste rezultate provin de la Google și nu au fost testate independent pe Deep Review public.

Subiecte