Ana içeriğe geç

Google Deep Review Explained

Google Deep Review checks long documents with parallel AI agents. See how it works, its SPOT results, and how to use it for free.
Vaibhav Mehra
Vaibhav Mehra

Ücretsiz Hesabınızı Oluşturun

Alıştırma and program your progress.

Google ile devam edinDevam ederek, Kullanım Koşullarımızı ve Gizlilik Politikamızı kabul etmiş ve verilerinizin ABD'de saklandığını onaylamış olursunuz.

Bir arkadaşınıza 40 sayfalık bir rapor verip “Bunu 10 dakika içinde hatalara karşı kontrol edebilir misin?” dediğinizi hayal edin.

Muhtemelen birkaç yazım yanlışı ve burada burada dilbilgisi hataları bulacaktır. Peki 3. sayfadaki bir sayının 31. sayfadaki aynı sayıyla tutmadığını fark eder mi? Muhtemelen hayır.

Şimdi aynı raporu bir ekibe verin.

Matematikte iyi olan biri denklemleri alır, başka biri deneyleri inceler, herkes raporun tamamının bir kopyasını alır ve bir editör tüm notları toplar, tuhaf görünen her şeyi yeniden kontrol eder.

Bu ekip, gerçekten önemli olan türden hatalar da dahil olmak üzere çok daha fazlasını bulacaktır.

Google Deep Review yazılım olarak bu ikinci yaklaşımdır. Google Research'ün, uzun ve karmaşık belgeleri bölümlere ayırarak, her bölümü paralel olarak inceleyip sonuçları tek bir raporda birleştiren ajansal bir yapay zeka sistemidir.

Google, 14 Ekim 2026'da herkese açık hale getirdi ve haftada 2 ücretsiz inceleme sunuyor.

Bu yazıda Deep Review'un ne olduğunu, 4 aşamalı hattının nasıl çalıştığını, Google'ın yayımladığı sonuçların ne gösterdiğini ve aynı deseni kendinizin nasıl kurabileceğini ele alacağım. Ayrıca Gemini 3.1 Pro rehberimize ve LangGraph ile Çoklu Ajan Sistemleri kursumuza da göz atabilirsiniz.

Kısaca

  • Deep Review bir belgeyi bölümlere ayırır, zor bölümlere daha fazla hesaplama gücü verir, her bölümü belgenin tamamı görünür halde paralel inceler, sonra bulguları birleştirip doğrular.
  • SPOT kıyaslamasının matematik ve bilgisayar bilimi alt kümesinde (26 makale, 29 hata) Google'ın Paper Assistant Tool'u (PAT) hataların %89,7'sini yakalarken, tek başına kullanılan Gemini 3.1 Pro %55,2'de kaldı.
  • Her kullanıcı haftada 2 ücretsiz inceleme alır. Yalnızca PDF ve düz metni kabul eder.
  • Tüm doğruluk sayıları Google'dan ve katılım izni veren yazarlardan geliyor. Henüz kimse herkese açık sürümü bağımsız olarak test etmedi.
  • Belgenizdeki akıl yürütmeyi kontrol eder, kodunuzu değil; bu yüzden bir hat işleyişi (pipeline) hatası, tutarlı görünen yanlış sayılara yine de yol açabilir.

Google Deep Review Nedir?

Google Deep Review, uzun ve karmaşık belgeler için geri bildirim ve teknik doğrulama sağlayan ajansal bir yapay zeka sistemidir. Bir belgeyi bölümlere ayırır, her bölümü paralel kontrol eder ve sonuçları tek bir raporda birleştirir.

Deep Review ilk olarak araştırma makaleleri için geliştirildi. Google şimdi bunun tasarım dokümanları, sunumlar ile hukuki ve finansal belgeler için de çalıştığını söylüyor. Google Research Portal üzerinden kullanabilirsiniz ve Google bunu Research@ etkinliğinde duyurdu.

Analojimize dönersek, Deep Review ekip artı editördür. Çalışmayı bölerek her parçanın dikkatlice incelenmesini sağlar; belgenizi bir kez okuyup ilk izlenimi vermek yerine.

Google neden Deep Review'u geliştirdi?

Yapay zeka belge yazmayı ucuzlattı, ancak kontrol etme hâlâ yavaş ve pahalı. Google buna doğrulama darboğazı diyor: bilgi, titizlikle incelenebileceğinden daha hızlı üretiliyor.

Google'a göre, 3 büyük yapay zeka konferansına (ICLR, NeurIPS ve ICML) yapılan toplam başvurular 2023'te yaklaşık 23.000'den 2026'da yaklaşık 74.000'e yükseldi.

Aynı dönemde nitelikli hakem sayısı üçe katlanmadı. (2026 rakamı kısmen tahmindir; Google'ın makalesindeki NeurIPS sayısı bir projeksiyondur.)

Paper Assistant Tool'dan Deep Review'a

Deep Review, başlangıçta Paper Assistant Tool (PAT) olarak ortaya çıktı. Google, 4 bilgisayar bilimi konferansında pilot uygulama yaptı: STOC 2026, ICML 2026, NeurIPS 2026 ve ICLR 2027.

Yazarlar isteğe bağlı olarak, son tarih öncesinde makaleleri hakkında özel geri bildirim alabiliyordu.

16.000'den fazla makale pilotlardan geçti.

Geri bildirim, resmi hakemlik sürecinden ayrı tutuldu; dolayısıyla bir makalenin kabul edilip edilmemesini etkilemedi.

Herkese açık sürüm, Gemini 4 Argon desteği ekliyor; Google bunun eski PAT'ten daha güçlü olmasını sağladığını söylüyor. Google ayrıca benzer bir deseni, ajan tabanlı kodlama ortamı olan Antigravity'e de yerleştirdi.

Teamwork Deep Document Review Pattern, /teamwork-preview komutuyla çalışır.

Deep Review Nasıl Çalışır?

Deep Review, 4 aşamalı bir hat olarak çalışır: belgeyi böler, bölüm başına çabayı bütçeler, bölümleri paralel inceler ve bulguları birleştirir.

Bir makaleyi büyük dil modeli (LLM) ile incelemenin bariz yolu, tamamını yapıştırıp geri bildirim istemektir.

Bu, analojimizdeki “10 dakikalık arkadaştır”. Google, yetersiz kalmasının 3 nedenini veriyor:

  • Model, zor kısımlara gelmeden düşünme bütçesini tüketir
  • Uzak bölümler arasındaki bağımlılıkları kaçırır
  • Nüanslı iddiaları didik didik etmeden kabul eder

İnceleme ekibimiz hattın izlediği aynı 4 adımı izler. Her aşamayı tek tek ele alalım.

Aşama 1: Belge segmentasyonu

Bir segmentleyici ajan, belgeyi giriş, yöntemler, deneyler ve ispatlar gibi mantıksal parçalara ayırır.

Parçalar örtüşebilir, ancak birlikte tüm belgeyi kapsamalıdır.

Analojimizde, bu, kimse okumaya başlamadan önce ekibin hangi bölümü kimin kontrol edeceğine karar vermesidir. Belgenin hiçbir kısmı atlanmaz.

Aşama 2: Uyarlanabilir hesaplama bütçeleme

Bazı bölümleri kontrol etmek diğerlerinden çok daha zordur.

Uzun bir matematiksel ispat, çoğunlukla diğer makalelerin listesi olan ilgili çalışmalar bölümünden çok daha fazla dikkatli düşünme gerektirir.

Deep Review, her parçanın ne kadar yoğun olduğunu inceler ve daha zor olanlara daha fazla hesaplama gücü verir.

Google'ın makalesi, ispatlar ve teorinin yüksek seviyeyi aldığı hafif, orta ve yüksek düşünme hatlarını tanımlar. Daha önce “düşünme” ayarı olan bir model kullandıysanız, bunun her bölüme ayrı ayrı uygulanmış benzeri bir fikir olduğunu düşünebilirsiniz.

Aşama 3: Derin paralel doğrulama

Sonraki adımda, inceleyici ajanlar tüm bölümleri aynı anda kontrol eder. Her ajan kendi bölümüne odaklanır, ancak her ajan yine de belgenin tamamını görebilir.

Diyelim ki 5. Bölüm, 2. Bölümde elde edilen bir sonucu kullanıyor.

5. Bölümü kontrol eden ajan geri dönüp ikisinin uyuşup uyuşmadığını görebilir. Sadece 5. Bölüm önünde olan bir modelin bunu yakalama şansı olmazdı.

Aşama 4: Küresel sentez ve dayandırma

Son olarak bir sentez ajanı editör rolünü üstlenir.

Bölüm raporlarını birleştirir, mükerrer yorumları kaldırır, bölümler arasındaki çelişkileri arar ve emin olmadığı mantık kontrollerini yeniden çalıştırır.

Ayrıca, var olmayan makaleler veya teoremler gibi halüsinasyonları yakalamak için Google Search dahil dış kaynaklara karşı dayandırma kontrolleri yapar.

Bu adım olmadan, inceleyici gerçekte olmayan sorunları güvenle işaretleyebilir ve zamanınızı boşa harcayabilir.

Python ile Deep Review Tarzı Bir Hat Nasıl Kurulur?

Deep Review, LLM ajanlarından oluşturulmuş bir map-reduce desenidir: işi böl, parçaları paralel kontrol et, sonra sonuçları yeniden bir araya getir. Basit bir sürümünü 80 satırın altında kurabilirsiniz.

Aşağıdaki örnek, Gemini 3.1 Pro ile Google Gen AI SDK'sını kullanıyor.

thinking_level ayarı, 2. Aşama'nın kendi sürümümüzü oluşturmamıza olanak verir.

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()))

Her satırı takip edemiyorsanız endişelenmeyin. Genel yapı, tam koddan daha önemlidir. İşte 4 aşamayla nasıl hizalandığı:

  • split_into_sections() bizim segmentleyicimizdir (Aşama 1)
  • thinking_level_for() her bölüm için çabayı belirler (Aşama 2)
  • ThreadPoolExecutor inceleyicileri paralel çalıştırır ve her birine tüm belgeyi verir (Aşama 3)
  • Sonundaki merge_prompt bizim editörümüzdür (Aşama 4)

Bu sürüm gerçeğinden çok daha basittir. Segmentleyici ajan yok, Google Search'e karşı kontrol yok ve belirsiz bulgulara ikinci bir bakış yok.

Yine de Google'ın listelediği 3 sorundan 2'sini ele alır: düşünme bütçesinin tükenmesi ve bölümler arasındaki bağlantıların kaçırılması.

Ayrıca dikkat edilmesi gereken maliyetleri vardır.

Her inceleyici çağrısı tüm belgeyi taşır, bu nedenle belirteç kullanımı bölüm sayısıyla birlikte artar.

Ayrıca ayırıcı, # ile başlayan her satırı, kod blokları içindeki yorumlar dahil, başlık olarak kabul eder; bu yüzden önce kendi dosyalarınızda test edin.

Google Deep Review Nasıl Kullanılır

Deep Review'u kullanmak birkaç dakikalık kurulum, ardından ajanlar çalışırken biraz bekleme gerektirir.

İlk incelemenizi ayarlama

Deep Review çalıştırmak için altı adım: oturum açmaktan geri bildirimle harekete geçmeye

Şekil 1: Oturum açmaktan geri bildirimle harekete geçmeye kadar bir Deep Review çalıştırmanın adımları. Google Research'ün Deep Review sayfası temel alınarak yazar tarafından hazırlanmıştır.

  1. Google Research Portal'a gidin ve Deep Review'u açın.
  2. Google hesabınızla oturum açın.
  3. Bir PDF yükleyin veya düz metin yapıştırın.
  4. İsteğe bağlı olarak, özel bağlam ekleyerek neleri kontrol etmesini istediğinizi belirtin ve inceleme derinliği ile düşünme seviyesini ayarlayın. Ücretsiz incelemelerde her ikisi de Orta düzeydedir.
  5. İncelemeyi başlatın. Google, bunun yaklaşık 10 ila 20 dakika sürdüğünü, daha uzun belgelerin ise 30 dakikaya kadar çıkabildiğini söylüyor.

Bilmeniz gereken birkaç sınır:

  • Her hafta 2 ücretsiz inceleme alırsınız ve bunlar için API anahtarına gerek yoktur.
  • Şu anda yalnızca PDF ve düz metin kabul edilir.
  • Google, çoklu dosya desteğinin yakında geleceğini söylüyor; bu da bir makale artı ekine uygun olur.

Raporu okuma

Yüksek düzeyli özet ve güçlü yanlarla birlikte DeepSeek-V4.1-Flash makalesi yanında gösterilen bir Deep Review raporu

Şekil 2: Google Deep Review raporuna bir örnek; incelediği makalenin yanında gösterilmiştir. Görsel kaynağı: ScriptByAI, Deep Review: Google's AI Reviewer for Papers and Technical Documents.

Rapor, bir özet olan Genel Geri Bildirim ile başlar, ardından aşağıda Ayrıntılı Geri Bildirim gelir.

Ayrıntılı yorumları büyük endişeler, küçük düzeltmeler ve öneriler olarak filtreleyebilirsiniz ve her yorum hangi bölüm veya sayfaya atıfta bulunduğunu belirtir.

Ayrıca bir yorum görünümü ve raporun tamamını Markdown olarak kopyalayan bir Kopyala düğmesi vardır. Notlarınıza yapıştırıp madde madde üzerinden geçmek için kullanışlıdır.

Google Deep Review Ne Kadar Doğru?

Google'ın kendi sonuçları, Deep Review'un öncülü olan PAT'in, SPOT kıyaslamasında matematik ve bilgisayar bilimi hatalarının %89,7'sini yakaladığını; buna karşılık tek başına kullanılan Gemini 3.1 Pro'nun %55,2'de kaldığını gösteriyor.

Rakamlar, Google's Paper Assistant Tool ile Bilimsel İncelemeyi Otomasyona Doğru başlıklı PAT makalesinden geliyor.

SPOT, daha sonra geri çekilen veya düzeltilen makalelerdeki gerçek hatalardan oluşturulmuş bir kıyaslamadır. Google, denklemler ve ispat hatalarını içeren matematik ve bilgisayar bilimi alt kümesi üzerinde test yaptı: 29 hata içeren 26 makale.

PAT'in yakalama oranı, tek çağrılı temel değerden yaklaşık 34 yüzde puanı daha yüksekti.

İki uyarı geçerlidir.

Birincisi, yazarlar, bir hatanın mantıksal olarak eşdeğer açıklamalarını kabul eden kendi değerlendiricilerini kullandılar; bu nedenle bu sayıları orijinal SPOT sonuçlarıyla doğrudan karşılaştıramazsınız.

İkincisi, makale model konusunda tutarlı değil: metin, PAT'i Gemini Deep Think tarafından destekleniyor olarak tanımlarken, sonuçlar tablosu %89,7 rakamını Gemini 3.1 Pro ile PAT olarak etiketliyor. Her iki durumda da bu, herkese açık Deep Review değil.

Pilot geri bildirimleri de olumlu görünüyor.

Google, toplamda 4.700'den fazla başvuruyu inceleyen STOC ve ICML pilotlarındaki yazarlara anket yaptı. 857 yanıtçı (STOC'ta 124, ICML'de 733) arasında:

  • STOC yanıtçılarının %92,7'si ve ICML yanıtçılarının %90,7'si geri bildirimi çok veya çoğunlukla faydalı buldu
  • Yaklaşık her 10 STOC yazarından 1'i ve her 3 ICML yazarından fazlası (%35,4) bir saatten fazla sürede düzeltilen önemli bir teori hatası bulunduğunu söyledi
  • ICML yanıtçılarının %31'i, PAT'in söyledikleri nedeniyle yeni deneyler yürüttü

Son rakam özellikle dikkatimi çekti.

Bir son teslim tarihinin hemen öncesinde ekstra deneyler yapmak büyük bir iştir; demek ki geri bildirim ikna ediciydi.

Yine de bu sayıların tümü Google'dan ve katılmayı seçen yazarlardan geliyor ve kimse herkese açık Deep Review'u henüz bağımsız olarak test etmedi. Bunları kendi belgelerinizde nasıl performans göstereceğine dair kanıt değil, umut verici bir işaret olarak değerlendirin.

Veri Bilimcileri Deep Review'u Nasıl Kullanabilir?

Deep Review'u faydalı bulmak için matematik ispatları yazmanız gerekmez.

Veri bilimcilerinin ve analistlerin yazdıklarının büyük bölümü, sayılarla desteklenen iddialar dizisidir ve Deep Review tam da bunu kontrol etmek için tasarlanmıştır.

İşte mantıklı olduğunu düşündüğüm birkaç alan:

BelgeDeep Review'un yardımcı olabileceği kontroller
Analiz raporlarıHer bir sonucun rapordaki bir sayıyla desteklenip desteklenmediği
A/B test raporlarıZayıf istatistiksel iddialar veya bölümler arasında değişen örneklem büyüklükleri
ML tasarım dokümanlarıMimari bölümü ile değerlendirme bölümünün uyuşmadığı yerler
Notebook anlatımlarıSonuçlarınızın etrafındaki açıklama (önce notebook'u PDF olarak dışa aktarın)

Google, Deep Review'u belgenizdeki akıl yürütmeyi kontrol eden bir araç olarak tanımlıyor. Kodunuzu çalıştırmakla ilgili bir şey söylemiyor; bu yüzden iş hattınızdaki bir hata, gayet tutarlı görünen yanlış sayılarla sizi baş başa bırakabilir.

İyi bir iş akışı şöyle görünür:

  1. Önce tam bir taslağı bitirin. Belgenin yarısını inceletmek, haftalık 2 incelemenizden birini tüketir.
  2. Deep Review'u çalıştırın ve bir şey değiştirmeden önce her büyük endişeyi kendiniz kontrol edin.
  3. Gerçek sorun olduğu anlaşılanları düzeltin ve hâlâ incelemeniz kaldıysa yeniden çalıştırın.

Bunu kendi araçlarınız içinde kullanmak için, Deep Review API koddan inceleme çalıştırmanıza, örneğin sürekli tümleştirme (CI) hattının bir parçası olarak, olanak tanır.

Kendi Gemini API anahtarınızı bağlarsınız; bu nedenle kullanım, Gemini API hesabınız üzerinden faturalandırılır.

Maliyet, belge uzunluğuna ve akıl yürütme çabasına bağlıdır; bu yüzden etrafında bir şey inşa etmeden önce tek bir belgede test edin.

Google Deep Review Sınırlamaları

En büyük sınırlama, Deep Review'un iki yönde de yanlış olabilmesidir.

PAT makalesi, aracın akıl yürütme hatası nedeniyle doğru bir ispatı yanlış olarak nitelediği vakaların pilotlarda ortaya çıkarıldığını ve yazarların hâlâ üzerinde çalıştığını söylüyor.

Dayandırma (grounding) ise izlenmesi gereken diğer sayı.

STOC yanıtçılarının yalnızca %55,8'i ve ICML yanıtçılarının %64,8'i geri bildirimin çoğunlukla veya tamamen dayandırılmış olduğunu söyledi; bu da yaklaşık %35 ila %44'ünün çoğunlukla dayandırılmış bulmadığı anlamına gelir.

Harekete geçmeden önce her büyük endişeyi belgenize karşı kontrol edin.

Ayrıca hüküm vermez.

Size fikrinizin yeni veya ilginç olup olmadığını söylemez ve makaleleri sıralamaz. Bu kısım hâlâ size ve hakemlerinize kalmıştır.

Bir de gizlilik var.

Google, yüklenen belgeleri modellerini eğitmek, ince ayar yapmak veya iyileştirmek için asla kullanmadığını söylüyor; ancak arayüzde görebilmeniz için onları 1 yıl saklıyor.

Gizlilik sözleşmesi (NDA) kapsamındaki bir şey üzerinde çalışıyorsanız, yüklemeden önce iki kez düşünürdüm.

Birkaç diğer sınırlama:

  • Açık ağırlıkları olmayan ve kendinizin barındıramayacağı kapalı bir sistemdir; bu nedenle tamamen Google'ın modellerine bağımlısınız
  • Şimdilik yalnızca PDF ve düz metni kabul ediyor
  • Bir taslakta çok sayıda değişiklik yapıyorsanız haftada 2 ücretsiz inceleme hızla tükenir
  • Şimdiye kadarki her doğruluk sayısı Google'dan geldi

Son Düşünceler

Deep Review, 10 dakikalık arkadaştan çok inceleyiciler ekibine yakındır. Bence bunu kullanmanın en iyi yolu, göndermeye basmadan önce taslağın üzerinden bir kez daha geçmek ve onun işaretlediği her büyük endişeyi sizin kontrol etmenizdir.

Gerçek sorun olmayan şeyleri de işaretler; çalışmanızın özgün olup olmadığını yargılayamaz ve doğruluğu hâlâ Google dışındaki kişilerce test edilmeye muhtaçtır.

Alınması gereken kısım tasarımıdır. İşi bölmek, zor kısımlara daha fazla çaba vermek, her şeyi paralel kontrol etmek ve sonuçları birleştirmek, uzun belgelerle başa çıkması gereken hemen her ajan için işe yarar.

Bu tür ajanlar oluşturmaya hevesliyseniz, LangGraph ile Çoklu Ajan Sistemleri kursumuza göz atmanızı öneririm.

Google Deep Review SSS

Google Deep Review ücretsiz mi?

Evet, herkes haftada 2 ücretsiz inceleme alır. Daha fazlasına ihtiyacınız varsa, kendi Gemini API anahtarınızı bağlayabilirsiniz.

Deep Review hangi dosya türlerini kabul ediyor?

Şu anda yalnızca PDF ve düz metin. Google, yakında çoklu dosya desteğinin geleceğini söylüyor.

Google, modellerini belgelerim üzerinde eğitiyor mu?

Hayır. Google, yüklenen belgelerin modellerini eğitmek, ince ayar yapmak veya iyileştirmek için asla kullanılmadığını söylüyor. 1 yıl boyunca saklanırlar ve Deep Review arayüzünde görüntüleyebilirsiniz.

Bir Deep Review API'si var mı?

Evet. Deep Review API, kendi Gemini API anahtarınızla çalışır; böylece örneğin bir CI hattında, kendi kodunuzdan inceleme çalıştırabilirsiniz.

Bir Deep Review ne kadar sürer?

Google'a göre belge başına yaklaşık 10 ila 20 dakika. Çok sayıda matematik içeren daha uzun belgeler daha fazla hesaplama gücü alır; bu yüzden 30 dakikaya kadar sürebilir.

Google Deep Review ne kadar doğru?

SPOT kıyaslamasının matematik ve bilgisayar bilimi alt kümesinde, Google'ın önceki aracı PAT hataların %89,7'sini yakaladı; tek başına Gemini 3.1 Pro ise %55,2'de kaldı. Bu sonuçlar Google'dan geliyor ve herkese açık Deep Review üzerinde bağımsız olarak test edilmedi.

Vaibhav Mehra

Yazar

Vaibhav Mehra

Konular

İlgili