Google Deep Review คือแนวทางที่สองในรูปแบบซอฟต์แวร์ เป็นระบบ AI แบบเอเจนต์จาก Google Research ที่ตรวจเอกสารยาวและซับซ้อนโดยแบ่งเป็นส่วน ๆ ตรวจแต่ละส่วนแบบขนาน แล้วรวมผลเป็นรายงานเดียว
บทความนี้จะอธิบายว่า Deep Review คืออะไร ไปป์ไลน์ 4 ขั้นตอนทำงานอย่างไร ผลลัพธ์ที่ Google เผยแพร่แสดงอะไรบ้าง และจะสร้างแพทเทิร์นแบบเดียวกันเองได้อย่างไร นอกจากนี้ยังดูคู่มือเกี่ยวกับ Gemini 3.1 Pro และคอร์ส Multi-Agent Systems with LangGraph ของเราได้ด้วย
สรุปสั้น ๆ
Deep Review แบ่งเอกสารเป็นส่วน ๆ จัดสรรคอมพิวต์เพิ่มให้ส่วนที่ยากกว่า รีวิวทุกส่วนแบบขนานโดยมองเห็นเอกสารฉบับเต็ม แล้วผสานและตรวจข้อเท็จจริงของสิ่งที่พบ
บนชุดย่อยคณิตศาสตร์และวิทยาการคอมพิวเตอร์ของเกณฑ์ SPOT (26 บทความ 29 ข้อผิดพลาด) เครื่องมือ Paper Assistant Tool (PAT) ของ Google จับข้อผิดพลาดได้ 89.7% เทียบกับ 55.2% เมื่อใช้ Gemini 3.1 Pro เพียงอย่างเดียว
ผู้ใช้ทุกคนได้รีวิวฟรีสัปดาห์ละ 2 ครั้ง รองรับเฉพาะ PDF และข้อความล้วน
ตัวเลขความแม่นยำทั้งหมดมาจาก Google และจากผู้เขียนที่ยินยอม ยังไม่มีใครทดสอบเวอร์ชันสาธารณะอย่างอิสระ
Google Deep Review คือระบบ AI แบบเอเจนต์ที่ให้ข้อเสนอแนะและการตรวจสอบเชิงเทคนิคสำหรับเอกสารยาวและซับซ้อน โดยแบ่งเอกสารเป็นส่วน ๆ ตรวจแต่ละส่วนแบบขนาน และรวมผลเป็นรายงานเดียว
Deep Review เริ่มสร้างเพื่อบทความวิจัย ตอนนี้ Google ระบุว่าสามารถใช้กับเอกสารออกแบบ งานนำเสนอ และเอกสารทางกฎหมายและการเงินได้ด้วย ใช้งานผ่าน Google Research Portal และ Google ประกาศในงาน Research@
กลับไปยังอุปมาของเรา Deep Review คือทีมพร้อมบรรณาธิการ มันแบ่งงานเพื่อให้แต่ละส่วนถูกตรวจอย่างละเอียด แทนที่จะอ่านเอกสารครั้งเดียวแล้วให้ความเห็นแบบคร่าว ๆ
ทำไม Google จึงสร้าง Deep Review?
AI ทำให้การเขียนเอกสารถูกลง แต่การตรวจยังคงช้าและมีค่าใช้จ่าย Google เรียกสิ่งนี้ว่า คอขวดด้านการตรวจสอบ (validation bottleneck): ข้อมูลถูกสร้างเร็วกว่าความสามารถในการทบทวนอย่างเคร่งครัด
ตามข้อมูลของ Google การส่งผลงานรวมไปยัง 3 งานประชุม AI ใหญ่ (ICLR, NeurIPS, และ ICML) เติบโตจากประมาณ 23,000 ในปี 2023 เป็นราว 74,000 ในปี 2026
จำนวนผู้รีวิวที่มีคุณสมบัติไม่ได้เพิ่มขึ้นสามเท่าในช่วงเดียวกัน (ตัวเลขปี 2026 ประมาณบางส่วน เพราะจำนวนของ NeurIPS ในเอกสารของ Google เป็นการคาดการณ์)
จาก Paper Assistant Tool สู่ Deep Review
Deep Review เริ่มจาก Paper Assistant Tool (PAT) ซึ่ง Google ทดลองกับ 4 งานประชุมสายคอมพิวเตอร์: STOC 2026, ICML 2026, NeurIPS 2026 และ ICLR 2027
เวอร์ชันสาธารณะเพิ่มการรองรับ Gemini 4 Argon ซึ่ง Google ระบุว่าทำให้แข็งแกร่งกว่า PAT รุ่นเก่า และ Google ยังฝังแพทเทิร์นที่เกี่ยวข้องไว้ใน Antigravity สภาพแวดล้อมการเขียนโค้ดแบบเอเจนต์ของตน
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"defsplit_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
defthinking_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
defreview_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
defdeep_review_lite(full_doc):
sections = split_into_sections(full_doc)# Map step: review every section in parallelwith 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__":withopen("my_report.md", encoding="utf-8")as f:print(deep_review_lite(f.read()))ขับเคลื่อนโดย
ผลของ Google เองแสดงว่าเครื่องมือก่อนหน้า Deep Review คือ PAT จับข้อผิดพลาดด้านคณิตฯ และคอมพิวเตอร์บนเกณฑ์ SPOT ได้ 89.7% เทียบกับ 55.2% เมื่อใช้ Gemini 3.1 Pro เพียงอย่างเดียว
ข้อสอง บทความไม่สอดคล้องเรื่องโมเดล: เนื้อหาบรรยายว่า PAT ขับเคลื่อนด้วย Gemini Deep Think ขณะที่ตารางผลระบุ 89.7% เป็น PAT กับ Gemini 3.1 Pro ไม่ว่าอย่างไร นี่ไม่ใช่ Deep Review เวอร์ชันสาธารณะ
อย่างไรก็ดี ตัวเลขทั้งหมดมาจาก Google และจากผู้เขียนที่เลือกเข้าร่วม และยังไม่มีใครทดสอบ Deep Review เวอร์ชันสาธารณะอย่างอิสระ จึงควรมองเป็นสัญญาณที่ดี ไม่ใช่หลักฐานว่าจะทำได้เช่นเดียวกันบนเอกสารของตน
นักวิทยาศาสตร์ข้อมูลใช้ Deep Review ได้อย่างไร?
ไม่จำเป็นต้องเขียนบทพิสูจน์ทางคณิตศาสตร์ก็ใช้ Deep Review ได้คุ้มค่า
งานเขียนจำนวนมากของนักวิทยาศาสตร์ข้อมูลและนักวิเคราะห์คือชุดของข้ออ้างที่มีตัวเลขหนุนหลัง ซึ่งเป็นสิ่งที่ Deep Review ถูกออกแบบมาเพื่อตรวจ
ใช่ ทุกคนได้รีวิวฟรีสัปดาห์ละ 2 ครั้ง หากต้องการมากกว่านั้น เชื่อมต่อคีย์ Gemini API ของตนเองได้
Deep Review รับไฟล์ประเภทใดบ้าง?⌄
ตอนนี้มีแค่ PDF และข้อความล้วน Google ระบุว่าการรองรับหลายไฟล์กำลังจะมา
Google นำเอกสารของฉันไปฝึกโมเดลหรือไม่?⌄
ไม่ Google ระบุว่าเอกสารที่อัปโหลด ไม่เคยถูกใช้ เพื่อฝึก ปรับจูน หรือพัฒนารุ่นโมเดล เอกสารจะถูกเก็บไว้ 1 ปี เพื่อให้ดูได้ในอินเทอร์เฟซของ Deep Review
มี Deep Review API หรือไม่?⌄
มี ใช้ Deep Review API ได้โดยรันด้วยคีย์ Gemini API ของคุณเอง จึงสามารถเรียกรีวิวจากโค้ดได้ เช่น ในไปป์ไลน์ CI
Deep Review ใช้เวลานานแค่ไหน?⌄
Google ระบุว่าประมาณ 10 ถึง 20 นาทีต่อเอกสาร เอกสารที่ยาวและมีคณิตศาสตร์มากจะได้คอมพิวต์มากขึ้น จึงอาจใช้เวลาถึง 30 นาที
Google Deep Review แม่นยำแค่ไหน?⌄
บนชุดย่อยของเกณฑ์ SPOT ด้านคณิตฯ และคอมพิวเตอร์ เครื่องมือรุ่นก่อนของ Google คือ PAT จับข้อผิดพลาดได้ 89.7% เทียบกับ 55.2% เมื่อใช้ Gemini 3.1 Pro เพียงอย่างเดียว ผลลัพธ์เหล่านี้มาจาก Google และยังไม่ได้รับการทดสอบเวอร์ชันสาธารณะของ Deep Review อย่างอิสระ
ลองนึกภาพว่ามอบรายงานยาว 40 หน้าให้เพื่อนแล้วบอกว่า “ช่วยตรวจหาข้อผิดพลาดให้หน่อยภายใน 10 นาทีได้ไหม”
เขาอาจหาเจอแค่การพิมพ์ผิดสองสามจุดและประโยคที่ผิดไวยากรณ์บ้าง แต่จะสังเกตไหมว่าตัวเลขในหน้า 3 ไม่ตรงกับตัวเลขเดียวกันในหน้า 31? น่าจะไม่
ตอนนี้ลองให้รายงานฉบับเดียวกันกับทีมหนึ่งทีม
คนที่ถนัดคณิตฯ ไปดูสมการ อีกคนไล่ดูการทดลอง ทุกคนได้สำเนารายงานเต็ม และมีบรรณาธิการรวบรวมบันทึกทั้งหมดพร้อมตรวจทานซ้ำในจุดที่น่าสงสัย
ทีมแบบนั้นจะเจอปัญหาเยอะกว่ามาก รวมถึงข้อผิดพลาดประเภทที่ส่งผลจริง
Google Deep Review คือแนวทางที่สองในรูปแบบซอฟต์แวร์ เป็นระบบ AI แบบเอเจนต์จาก Google Research ที่ตรวจเอกสารยาวและซับซ้อนโดยแบ่งเป็นส่วน ๆ ตรวจแต่ละส่วนแบบขนาน แล้วรวมผลเป็นรายงานเดียว
Google เปิดให้สาธารณะใช้เมื่อวันที่ 14 ตุลาคม 2026 โดยให้รีวิวฟรีสัปดาห์ละ 2 ครั้ง
บทความนี้จะอธิบายว่า Deep Review คืออะไร ไปป์ไลน์ 4 ขั้นตอนทำงานอย่างไร ผลลัพธ์ที่ Google เผยแพร่แสดงอะไรบ้าง และจะสร้างแพทเทิร์นแบบเดียวกันเองได้อย่างไร นอกจากนี้ยังดูคู่มือเกี่ยวกับ Gemini 3.1 Pro และคอร์ส Multi-Agent Systems with LangGraph ของเราได้ด้วย
สรุปสั้น ๆ
Google Deep Review คืออะไร?
Google Deep Review คือระบบ AI แบบเอเจนต์ที่ให้ข้อเสนอแนะและการตรวจสอบเชิงเทคนิคสำหรับเอกสารยาวและซับซ้อน โดยแบ่งเอกสารเป็นส่วน ๆ ตรวจแต่ละส่วนแบบขนาน และรวมผลเป็นรายงานเดียว
Deep Review เริ่มสร้างเพื่อบทความวิจัย ตอนนี้ Google ระบุว่าสามารถใช้กับเอกสารออกแบบ งานนำเสนอ และเอกสารทางกฎหมายและการเงินได้ด้วย ใช้งานผ่าน Google Research Portal และ Google ประกาศในงาน Research@
กลับไปยังอุปมาของเรา Deep Review คือทีมพร้อมบรรณาธิการ มันแบ่งงานเพื่อให้แต่ละส่วนถูกตรวจอย่างละเอียด แทนที่จะอ่านเอกสารครั้งเดียวแล้วให้ความเห็นแบบคร่าว ๆ
ทำไม Google จึงสร้าง Deep Review?
AI ทำให้การเขียนเอกสารถูกลง แต่การตรวจยังคงช้าและมีค่าใช้จ่าย Google เรียกสิ่งนี้ว่า คอขวดด้านการตรวจสอบ (validation bottleneck): ข้อมูลถูกสร้างเร็วกว่าความสามารถในการทบทวนอย่างเคร่งครัด
ตามข้อมูลของ Google การส่งผลงานรวมไปยัง 3 งานประชุม AI ใหญ่ (ICLR, NeurIPS, และ ICML) เติบโตจากประมาณ 23,000 ในปี 2023 เป็นราว 74,000 ในปี 2026
จำนวนผู้รีวิวที่มีคุณสมบัติไม่ได้เพิ่มขึ้นสามเท่าในช่วงเดียวกัน (ตัวเลขปี 2026 ประมาณบางส่วน เพราะจำนวนของ NeurIPS ในเอกสารของ Google เป็นการคาดการณ์)
จาก Paper Assistant Tool สู่ Deep Review
Deep Review เริ่มจาก Paper Assistant Tool (PAT) ซึ่ง Google ทดลองกับ 4 งานประชุมสายคอมพิวเตอร์: STOC 2026, ICML 2026, NeurIPS 2026 และ ICLR 2027
ผู้เขียนสามารถเลือกเข้าร่วมและรับข้อเสนอแนะส่วนตัวเกี่ยวกับบทความก่อนถึงกำหนดส่ง
มีบทความมากกว่า 16,000 บทความ ผ่านการทดลองใช้
ข้อเสนอแนะถูกแยกจากการพิจารณาแบบเพียร์รีวิวอย่างเป็นทางการ จึงไม่กระทบต่อการรับบทความ
เวอร์ชันสาธารณะเพิ่มการรองรับ Gemini 4 Argon ซึ่ง Google ระบุว่าทำให้แข็งแกร่งกว่า PAT รุ่นเก่า และ Google ยังฝังแพทเทิร์นที่เกี่ยวข้องไว้ใน Antigravity สภาพแวดล้อมการเขียนโค้ดแบบเอเจนต์ของตน
Teamwork Deep Document Review Pattern รันด้วยคำสั่ง
/teamwork-previewDeep Review ทำงานอย่างไร?
Deep Review ทำงานเป็นไปป์ไลน์ 4 ขั้นตอน: แบ่งเอกสาร จัดสรรความพยายามต่อส่วน รีวิวแต่ละส่วนแบบขนาน และผสานสิ่งที่พบ
วิธีตรงไปตรงมาในการรีวิวบทความด้วยโมเดลภาษาขนาดใหญ่ (LLM) คือวางทั้งฉบับแล้วขอความคิดเห็น
นั่นคือ “เพื่อนที่มีเวลา 10 นาที” ตามอุปมา Google ให้เหตุผล 3 ข้อว่าทำไมวิธีนั้นจึงไม่พอ:
ทีมรีวิวของเราทำตาม 4 ขั้นตอนเดียวกับไปป์ไลน์ มาดูทีละขั้น
ขั้นที่ 1: แบ่งส่วนเอกสาร
เอเจนต์แบ่งส่วน จะแยกเอกสารออกเป็นชิ้นส่วนเชิงตรรกะ เช่น บทนำ วิธีการ การทดลอง และบทพิสูจน์
ชิ้นส่วนอาจทับซ้อนกันได้ แต่รวมกันแล้วต้องครอบคลุมทั้งเอกสาร
ตามอุปมา นี่คือทีมที่ตัดสินใจว่าใครตรวจบทไหนก่อนเริ่มอ่าน จะไม่มีส่วนใดถูกข้าม
ขั้นที่ 2: จัดสรรคอมพิวต์แบบปรับตามความยาก
บางส่วนตรวจยากกว่าส่วนอื่นมาก
บทพิสูจน์ทางคณิตศาสตร์ยาว ๆ ต้องใช้ความคิดรอบคอบกว่าส่วน related work ซึ่งส่วนใหญ่เป็นรายการบทความอื่น
Deep Review ประเมินความหนาแน่นของแต่ละชิ้นและให้คอมพิวต์มากขึ้นกับชิ้นที่ยากกว่า
เอกสารของ Google อธิบายรางการคิดแบบเบา กลาง และสูง โดยให้บทพิสูจน์และทฤษฎีอยู่รางสูง หากเคยใช้โมเดลที่มีการตั้งค่า “thinking” แนวคิดก็คล้ายกันแต่ใช้แยกตามแต่ละส่วน
ขั้นที่ 3: การตรวจสอบเชิงลึกแบบขนาน
ต่อมา เอเจนต์ผู้รีวิวจะตรวจทุกส่วนพร้อมกัน แต่ละเอเจนต์โฟกัสส่วนของตนเอง แต่ทุกเอเจนต์ยังคงมองเห็นเอกสารฉบับเต็ม
เช่น ส่วนที่ 5 ใช้ผลลัพธ์ที่คำนวณไว้ในส่วนที่ 2
เอเจนต์ที่ตรวจส่วนที่ 5 สามารถย้อนกลับไปดูว่าเข้ากันหรือไม่ โมเดลที่เห็นเฉพาะส่วนที่ 5 ไม่มีทางจับสิ่งนั้นได้
ขั้นที่ 4: การสังเคราะห์และยึดโยงภาพรวม
สุดท้าย เอเจนต์สังเคราะห์ ทำหน้าที่เป็นบรรณาธิการ
ผสานรายงานรายส่วน ลบความเห็นซ้ำ ค้นหาความขัดแย้งระหว่างส่วน และรันตรวจตรรกะซ้ำในจุดที่ไม่แน่ใจ
ยังรันการตรวจยึดโยง (grounding) กับแหล่งภายนอก รวมถึง Google Search เพื่อจับภาพหลอนอย่างบทความหรือทฤษฎีที่ไม่มีอยู่จริง
หากไม่มีขั้นตอนนี้ ผู้รีวิวอาจชี้ปัญหาอย่างมั่นใจทั้งที่ไม่จริง ทำให้เสียเวลา
วิธีสร้างไปป์ไลน์สไตล์ Deep Review ด้วย Python
Deep Review คือแพทเทิร์น map-reduce ที่สร้างจากเอเจนต์ LLM: แบ่งงาน ตรวจชิ้นส่วนแบบขนาน แล้วประกอบผลกลับ คุณสร้างเวอร์ชันง่ายได้ในไม่ถึง 80 บรรทัด
ตัวอย่างด้านล่างใช้ Google Gen AI SDK กับ Gemini 3.1 Pro
การตั้งค่า
thinking_levelช่วยให้สร้างเวอร์ชันของขั้นที่ 2 เองได้ไม่ต้องกังวลหากไม่ได้ตามทุกบรรทัด โครงสร้างโดยรวมสำคัญกว่ารหัสเป๊ะ ๆ ต่อไปนี้คือการจับคู่กับ 4 ขั้นตอน:
split_into_sections()คือเอเจนต์แบ่งส่วน (ขั้นที่ 1)thinking_level_for()ตัดสินใจความพยายามของแต่ละส่วน (ขั้นที่ 2)ThreadPoolExecutorรันผู้รีวิวแบบขนาน โดยแต่ละรายได้เห็นเอกสารเต็ม (ขั้นที่ 3)merge_promptท้ายสุดคือบรรณาธิการ (ขั้นที่ 4)เวอร์ชันนี้ง่ายกว่าของจริงมาก ไม่มีเอเจนต์แบ่งส่วน ไม่มีการตรวจกับ Google Search และไม่มีการย้อนตรวจประเด็นที่ไม่แน่ใจ
แต่ก็ช่วยแก้ 2 ใน 3 ปัญหาที่ Google ระบุ: งบคิดหมด และพลาดความเชื่อมโยงระหว่างส่วน
และยังมีต้นทุนที่ต้องระวัง
การเรียกผู้รีวิวแต่ละครั้งพกเอกสารเต็มไปด้วย จึงใช้โทเค็นเพิ่มตามจำนวนส่วน
ตัวแบ่งยังถือว่าแถวใดก็ตามที่ขึ้นต้นด้วย
#คือหัวข้อ รวมถึงคอมเมนต์ในโค้ดบล็อกด้วย ดังนั้นควรทดสอบกับไฟล์ของตนเองก่อนวิธีใช้ Google Deep Review
การใช้ Deep Review ใช้เวลาเตรียมไม่กี่นาที แล้วรอให้เอเจนต์ทำงาน
ตั้งค่าการรีวิวครั้งแรก
ภาพที่ 1: ขั้นตอนการรัน Deep Review ตั้งแต่ลงชื่อเข้าใช้ถึงลงมือกับข้อเสนอแนะ แผนภาพโดยผู้เขียน อ้างอิงจากหน้า Deep Review ของ Google Research
ข้อจำกัดที่ควรรู้:
การอ่านรายงาน
ภาพที่ 2: ตัวอย่างรายงาน Google Deep Review แสดงข้างบทความที่รีวิว รูปจาก: ScriptByAI, Deep Review: Google's AI Reviewer for Papers and Technical Documents
รายงานเริ่มที่ Overall Feedback เป็นสรุป แล้วตามด้วย Detailed Feedback ด้านล่าง
สามารถกรองความเห็นละเอียดเป็นประเด็นสำคัญ ข้อแก้ไขเล็กน้อย และข้อเสนอแนะ โดยแต่ละความเห็นระบุส่วนหรือหน้าที่อ้างถึง
มีมุมมองคอมเมนต์และปุ่ม Copy Report ที่คัดลอกรายงานทั้งฉบับเป็น Markdown สะดวกสำหรับวางลงโน้ตและไล่แก้ทีละประเด็น
Google Deep Review แม่นยำแค่ไหน?
ผลของ Google เองแสดงว่าเครื่องมือก่อนหน้า Deep Review คือ PAT จับข้อผิดพลาดด้านคณิตฯ และคอมพิวเตอร์บนเกณฑ์ SPOT ได้ 89.7% เทียบกับ 55.2% เมื่อใช้ Gemini 3.1 Pro เพียงอย่างเดียว
ตัวเลขมาจากบทความ PAT Towards Automating Scientific Review with Google's Paper Assistant Tool
SPOT เป็นเกณฑ์ที่สร้างจากข้อผิดพลาดจริงในบทความที่ภายหลังถูกเพิกถอนหรือแก้ไข Google ทดสอบ PAT บนชุดย่อยคณิตฯ และคอมพิวเตอร์ที่มีข้อผิดพลาดด้านสมการและบทพิสูจน์: 26 บทความรวม 29 ข้อผิดพลาด
รีคอลของ PAT สูงกว่าฐานเดี่ยวประมาณ 34 จุดเปอร์เซ็นต์
มีข้อควรระวังสองข้อ
ข้อแรก ผู้เขียนใช้ตัวตรวจให้คะแนนของตนเอง ซึ่งยอมรับคำอธิบายข้อผิดพลาดที่สมมูลทางตรรกะ ดังนั้นจึงเปรียบเทียบตัวเลขกับผล SPOT ดั้งเดิมโดยตรงไม่ได้
ข้อสอง บทความไม่สอดคล้องเรื่องโมเดล: เนื้อหาบรรยายว่า PAT ขับเคลื่อนด้วย Gemini Deep Think ขณะที่ตารางผลระบุ 89.7% เป็น PAT กับ Gemini 3.1 Pro ไม่ว่าอย่างไร นี่ไม่ใช่ Deep Review เวอร์ชันสาธารณะ
ผลตอบรับจากไพลอตก็ดูดี
Google สำรวจผู้เขียนจากไพลอต STOC และ ICML ซึ่งรีวิวผลงานรวมกว่า 4,700 ชิ้น ในบรรดาผู้ตอบ 857 คน (STOC 124, ICML 733):
ตัวเลขสุดท้ายน่าสนใจ
การวิ่งทดลองเพิ่มก่อนเส้นตายเป็นเรื่องใหญ่ แสดงว่าข้อเสนอแนะโน้มน้าวใจได้
อย่างไรก็ดี ตัวเลขทั้งหมดมาจาก Google และจากผู้เขียนที่เลือกเข้าร่วม และยังไม่มีใครทดสอบ Deep Review เวอร์ชันสาธารณะอย่างอิสระ จึงควรมองเป็นสัญญาณที่ดี ไม่ใช่หลักฐานว่าจะทำได้เช่นเดียวกันบนเอกสารของตน
นักวิทยาศาสตร์ข้อมูลใช้ Deep Review ได้อย่างไร?
ไม่จำเป็นต้องเขียนบทพิสูจน์ทางคณิตศาสตร์ก็ใช้ Deep Review ได้คุ้มค่า
งานเขียนจำนวนมากของนักวิทยาศาสตร์ข้อมูลและนักวิเคราะห์คือชุดของข้ออ้างที่มีตัวเลขหนุนหลัง ซึ่งเป็นสิ่งที่ Deep Review ถูกออกแบบมาเพื่อตรวจ
ต่อไปนี้คือตัวอย่างที่คิดว่าเหมาะ:
Google อธิบายว่า Deep Review ตรวจการให้เหตุผลในเอกสารของคุณ ไม่ได้กล่าวถึงการรันโค้ด ดังนั้นบั๊กในไปป์ไลน์ยังอาจทำให้ได้ตัวเลขผิดที่ดูสอดคล้องกัน
เวิร์กโฟลว์ที่ดีควรเป็นดังนี้:
เพื่อนำไปใช้ในเครื่องมือของคุณเอง Deep Review API ช่วยให้รันรีวิวจากโค้ดได้ เช่น เป็นส่วนหนึ่งของไปป์ไลน์ CI
เชื่อมต่อด้วยคีย์ Gemini API ของคุณเอง จึงคิดค่าการใช้งานผ่านบัญชี Gemini API ของคุณ
ค่าใช้จ่ายขึ้นอยู่กับความยาวเอกสารและความพยายามด้านเหตุผล จึงควรทดสอบกับเอกสารหนึ่งฉบับก่อนสร้างระบบรอบ ๆ มัน
ข้อจำกัดของ Google Deep Review
ข้อจำกัดใหญ่สุดคือ Deep Review อาจผิดได้ทั้งสองทาง
บทความ PAT ระบุว่าในการทดลองมีกรณีที่เครื่องมือชี้ว่าบทพิสูจน์ที่ถูกต้องว่าไม่ถูกต้องเพราะล้มเหลวด้านเหตุผล และผู้เขียนยังคงพัฒนาอยู่
การยึดโยง (grounding) เป็นตัวเลขอีกอย่างที่ควรจับตา
มีเพียง 55.8% ของผู้ตอบจาก STOC และ 64.8% จาก ICML ที่ระบุว่าข้อเสนอแนะได้รับการยึดโยงส่วนใหญ่หรือทั้งหมด ดังนั้นราว 35% ถึง 44% ไม่พบว่ามีการยึดโยงเป็นส่วนใหญ่
ตรวจทุกประเด็นสำคัญกับเอกสารของคุณก่อนลงมือ
มันก็ไม่ทำการตัดสินเชิงคุณค่า
จะไม่บอกว่าไอเดียใหม่หรือมีความน่าสนใจหรือไม่ และไม่จัดอันดับบทความ ส่วนนี้ยังคงขึ้นกับคุณและผู้รีวิวของคุณ
ประเด็นต่อมาคือความเป็นส่วนตัว
Google ระบุว่าไม่เคยใช้เอกสารที่อัปโหลดเพื่อฝึก ปรับจูน หรือพัฒนารุ่นโมเดล แต่จะเก็บไว้ 1 ปี เพื่อให้แสดงในอินเทอร์เฟซได้
หากทำงานภายใต้ข้อตกลงไม่เปิดเผยข้อมูล (NDA) ควรพิจารณาให้รอบคอบก่อนอัปโหลด
ข้อจำกัดอื่น ๆ:
ข้อคิดส่งท้าย
Deep Review ใกล้เคียงกับทีมผู้รีวิวของเรามากกว่าเพื่อนที่มีเวลา 10 นาที วิธีใช้ที่ดีที่สุดคือให้เป็นรอบตรวจเพิ่มก่อนกดส่ง โดยคุณตรวจทุกประเด็นสำคัญของมัน
มันชี้สิ่งที่ไม่ใช่ปัญหาจริงบ้าง ไม่สามารถตัดสินว่างานของคุณใหม่หรือไม่ และความแม่นยำยังต้องทดสอบโดยคนนอก Google
ส่วนที่น่าจำคือการออกแบบ แบ่งงาน จัดสรรความพยายามให้ส่วนยาก ตรวจทั้งหมดแบบขนาน แล้วผสานผล ใช้ได้กับเอเจนต์แทบทุกตัวที่ต้องจัดการเอกสารยาว
หากอยากสร้างเอเจนต์ลักษณะนี้ แนะนำให้ดูคอร์ส Multi-Agent Systems with LangGraph ของเรา