Gemini Deep Think: 5 Gerçek Dünya Problemi Üzerinde Bir Test

Google yakın zamanda Gemini 2.5 Pro için Deep Think modunu yayınladı. Deep Think, karmaşık problemleri çözmek için tasarlanmış bir özellik. Aynı anda birden fazla fikri keşfetmek, bunları karşılaştırmak ve ardından en etkili çözümü seçmek için paralel düşünmeyi kullanarak çalışır.

Bu yazıda, ondan gerçek dünya problemlerini çözmesini isteyerek yeteneklerini keşfedeceğim. Doktora düzeyi sorulardan iş uygulamalarına kadar uzanan beş karmaşık problemde Deep Think’i test ederek performansını değerlendirdim.

Okurlarımızı yapay zekâdaki en son gelişmelerden haberdar etmek için haftanın öne çıkan haberlerini özetleyen, ücretsiz Cuma bültenimiz The Median’i gönderiyoruz. Abone olun; haftada sadece birkaç dakikada güncel kalın:

Gemini Deep Think Nedir?

Gemini Deep Think, problem çözme becerilerini yeni bir seviyeye taşıyan, Gemini 2.5 Pro modeline eklenmiş yeni bir geliştirme. Kullanıma sunulan sürüm, kısa süre önce bu yılki Uluslararası Matematik Olimpiyatı’nda (IMO) en üst düzey performansa ulaşan modelin basitleştirilmiş bir versiyonu.

Orijinal sürüm zor matematik problemleri üzerinde çalışmak için saatler alıyor, ancak bugün yayımlanan sürüm çok daha hızlı ve günlük görevler için daha uygun; buna rağmen 2025 IMO’da Bronz seviyeye ulaşıyor.

Deep Think günlük sorular için tasarlandı ancak güçlü problem çözme yeteneklerini koruyor. Kullanıcılar, Deep Think karmaşık görevlerle başa çıkarken "düşünme süresini" uzattığı için çeşitli fikirleri üretip değerlendirebilen ve harmanlayabilen, kapsamlı ve içgörülü yanıtlar bekleyebilir.

Deep Think özelliğinin, webden bilgi toplama ve kaynaklarla yapılandırılmış raporlar sunma için tasarlanan Deep Research ile aynı olmadığını unutmayın. Biri daha derin düşünür, diğeri daha derin araştırır.

Deep Think’e Nasıl Erişilir?

Şu an itibarıyla Deep Think, Gemini Uygulaması üzerinden erişilebilir, ancak yalnızca aylık €274,99 tutarındaki Google AI Ultra aboneliğinde mevcuttur.

API aracılığıyla da kullanılabiliyor, fakat yalnızca seçili bir kullanıcı grubuna açık. Herkese sunulup sunulmayacağını henüz bilmiyoruz.

Google AI Ultra aboneliğiniz varsa, istem girişinin altındaki düğmeye tıklayarak Deep Think’i etkinleştirebilirsiniz.

Ultra aboneliğine sahip olsanız bile günde yaklaşık beş mesajla sınırlı olduğunuzu unutmayın.

Deep Think Nasıl Çalışır

Gemini Deep Think, bir problemi çözmek için aynı anda çok sayıda olasılığı araştırdığı beyin fırtınasına benzer bir süreçle çalışır.

Bu, paralel düşünme yoluyla başarılır; bu sayede yapay zekâ tek bir doğrusal yaklaşım yerine çeşitli yolları ve alternatifleri aynı anda değerlendirebilir. Uzatılmış "düşünme süresi" verildiğinde, Gemini Deep Think farklı fikirleri analiz eder, karşılaştırır ve birleştirir; böylece mümkün olan en iyi çözüme ulaşır.

Bu yöntem, Gemini’nin birden fazla sonucu ve stratejiyi simüle ederek karmaşık görevleri etkili biçimde ele almasını sağlar; kullanıcıya nispeten kısa sürede zorlu sorulara sağlam ve yaratıcı yanıtlar sunar.

Test 1: Açık Bir Doktora Problemiyle Mücadele

Doktora tezimde, çözemediğim birkaç açık problem bırakmıştım. Gemini Deep Think’i bunlardan biri üzerinde denemeye karar verdim.

Problem bilgisayar ağlarıyla ilgili. Trafik, bir bilgisayar ağında, tıpkı araçla yolda gezinirken GPS kullanmak gibi, en kısa yollardan ilerler. Her ağ bağlantısının uzunluğu yalnızca pozitif bir sayıdır ve istenen bir değere ayarlanabilir.

Ancak, ağ bağlantılarına çok büyük uzunluklar vermek pratik değildir; bu yüzden en büyük ağırlığı olabildiğince küçük tutmak isteriz.

Gemini Deep Think’e gönderdiğim istem şöyleydi:

Yaklaşık 15 dakika sonra bir yanıt verdi. Açgözlü bir algoritma önerdi. Bu, en iyiyi garanti etmeyen, ancak yeterince iyi bir çözüm bulmaya çalışan bir algoritma türü.

Başlangıçtaki istemimin tam olarak istediğim şey olmadığını fark ettim. En iyi çözümü bulan bir algoritma bulmasını ya da böyle bir algoritmanın muhtemelen var olmadığını kanıtlamasını istiyordum.

Bu yüzden konuşmaya devam ettim:

Bir 15 dakika sonra, problemin NP-zor olduğunu söyledi. Bu, bu problem için hızlı bir algoritmanın muhtemelen var olmadığı anlamına gelir.

Ben de cevabın bu olduğuna inanıyorum. Kanıtı okumaya başladım, ancak birçok kritik ayrıntı eksikti. Bunun yerine bazı üst düzey ayrıntılar veriyor ve yanıtın çok karmaşık olduğunu söylüyordu:

Israr edip eksik bilgileri istedim, ancak tam ayrıntılı bir kanıta bir türlü ulaşamadım; dolayısıyla problemi çözdüğünü doğrulayamadım.

Bu durum, bana biraz Sidney Harris’in klasik matematik memesini anımsattı:

Yanıtlardaki üsluptan, sanki cevabı kendi üretmemiş de bilinen bir kanıtı kullanıyormuş gibi bir izlenim edindim. Bunu sordum; kendisi de bunun bilinen bir sonuç olduğunu ve 2002’de yayımlanan bir makalede verildiğini söyledi.

Makale adını verdi, ancak çevrimiçi hiçbir yerde bulamadım. Meğer yazar, tez jürimde yer alıyormuş. Sorunu zaten çözmüşler de bana hiç söylememiş olmaları epey komik olurdu.

Bu örnek hakkında ne düşüneceğimi bilemeden kaldım. Cevabı buldu ama tüm ayrıntıları paylaşmadı mı? Yoksa var olan bir yanıtı mı aktardı? Yoksa ayrıntıların eksik olmasının sebebi, yanıtın aslında doğru olmaması mı?

Test 2: Bir Oyunu Oynamanın En İyi Yolunu Bulmak

Oynadığım bir strateji kart oyunu var ve yakın zamanda belirli bir oyun durumunda üretebileceğim maksimum kaynak miktarını bulmak üzerinde çalışıyordum.

Bir süre önce, optimal olduğunu düşündüğüm formülleri bulmuştum; fakat gerçekten optimal olduklarını kanıtlamamıştım. O dönemde diğer akıl yürütme odaklı yapay zekâ modellerinden çözüm istedim ve hepsi berbat şekilde başarısız oldu. Verdikleri yanıtlar yalnızca optimal olmamakla kalmıyor, oyunun kurallarıyla da örtüşmüyordu.

Bu yüzden bu problemi Gemini Deep Think üzerinde denemeye karar verdim. Oyunun kurallarını vermedim (eğitiminde yer aldığını varsaydım). Ancak her bir kartın kurallarını sağladım. Bu örneği takip etmek için oyunu ya da istemimi anlamanıza gerek yok.

İstem şu şekildeydi:

Gemini’nin diğer modellere kıyasla oldukça yavaş olduğunu bilmekte fayda var; yanıt almak için 5 ila 20 dakika arasında beklemeyi bekleyin. Bu örnek daha hızlıydı ve yaklaşık 5 dakika sürdü.

Aldığımız yanıtın bir kısmı şöyleydi. Bu bölüm adımları ve formülleri gösteriyor. Öncesinde ise akıl yürütmesini açıklamıştı:

Ancak ben problemi daha önce çözdüğüm için bunun doğru olmadığını ve daha iyisinin mümkün olduğunu biliyordum. Bunun sebebi, kartların bazı kısıtlarını aşmaya izin veren ve açıkça belirtmediğim bir kural. Bunu zayıf akıl yürütme nedeniyle mi kaçırdı, yoksa kurallar eğitimde tam kullanılmadığı için mi bilmiyorum.

Bu ise alan-özel konularda kör noktaları olabileceğini gösteriyor; dolayısıyla aldığımız yanıtlara temkinli yaklaşmak gerekiyor. Eğer daha önce çözmediğim önemli bir soru olsaydı, yanıtın iyi olmadığını bilmeyecek ve doğru olduğunu varsayarak körü körüne kullanabilecektim. Öte yandan, eğer kendim çözmem gerekiyorsa, o zaman baştan yapay zekâya ihtiyacım yok.

Yanıtın yanlış olduğunu söyledim ve iyileştirip iyileştiremeyeceğini görmek için bazı ek bilgiler verdim.

Bu sefer, benim bulduğumla aynı yanıtı verdi. Verdiği yanıtın bir bölümü şöyleydi:

Beni hayal kırıklığına uğratan nokta, bunun en iyi mümkün yanıt olduğuna dair bir kanıt sunmamasıydı.

Test 3: Bir Mantık Bulmacasını Çözmek

Sırada, çok sevdiğim bir mantık bulmacasını çözmesini istedim.

Bu durumda çok daha hızlı yanıt verdi. Yanıt, bunun klasik bir mantık problemi olduğunu söyleyerek başladı.

Ardından bulmacayı çözmek için bir strateji açıkladı. Bu vakada, fazla bir akıl yürütme yapılmadığı ve yapay zekânın çözüme önceden eğitildiği açık.

Bu modelleri değerlendirirken zor sorulardan biri şu: Cevabı kendisi mi buluyor, yoksa yanıt zaten kodlanmış ve yalnızca onu mu çıkarıyor?

Daha ileri gitmek için bir kısıt daha ekledim ve sonucu görmek istedim. Bu varyantı o anda uydurdum ve daha önce hiç görmemiştim. Bu sürümün bir çözümü olup olmadığını bilmiyordum.

Bu kez yine uzun süre yanıt verdi; bu iyi bir işaret. Daha zor bu varyanta bir çözüm bulduğunu söyledi:

Ancak tüm yanıtı okuduktan sonra, çözümde birkaç hata olduğu görülüyor. Yanıtın sonunda, planın uygulanmasına ilişkin bir örnek veriyor ve bunun çalışmadığını fark ediyor.

Bir çözüm olduğunu söylüyor, ancak daha fazla üzerine gitmedim. Davranış, bazı önemli adımların atlandığı ve sonunda gerçekten çözüp çözmediğinden emin olamadığımız önceki örneğe benziyor.

Örnek 4: Bir İş İçin Sadakat Kartı Stratejisi

Kafemde dijital bir sadakat kartı programı uyguluyorum ve en iyi stratejinin ne olduğunu merak ediyordum. Ayrıntıları Gemini Deep Think’e verip farklı stratejilerin kapsamlı bir analizini ve bir öneri istedim.

Kullandığım istem şöyleydi:

Bu da çok vakit almadı. Dört çözüm önerdi ve her birinin artılarını ve eksilerini sundu.

Birinci çözüm:

İkinci çözüm:

Üçüncü çözüm:

Dördüncü çözüm:

Bu problemde, yanıtı beğensem de diğer modellerin ürettiklerinden çok farklı bulmadım. Bu tür problemler için Deep Think kullanmanın aşırıya kaçmak olduğunu ve genel amaçlı yapay zekâ modellerinin bu işlerde gayet iyi performans gösterebileceğini düşünüyorum.

Örnek 5: Kod Yazmak

Son olarak, Gemini Deep Think’i bir kodlama görevi üzerinde test ettim. Dil ya da teknik ayrıntı belirtmedim; yalnızca çözmek istediğim problemi anlattım.

Yanıt hayli sönüktü ve kodu bile sağlamadı. Bu basit bir hata olabilir, ancak Deep Think’in fiyat etiketinde bu kabul edilebilir değil.

Yanıt yalnızca kod sağlamamakla kalmadı, çözümün nasıl çalıştığını da açıklamadı. Bu mesajı gönderdiğimde mesaj limitine ulaşmıştım; bunun yanıtı bir şekilde etkileyip etkilemediğini merak ediyorum. Yine de bu mesajın kendisi limitin içindeydi; bu yüzden garip olurdu diye düşünüyorum.

Sonuç

Denediğim problemlerle, Deep Think’in verdiği yanıtlar ile diğer düşünce zinciri modellerinin yanıtları arasında büyük bir fark hissetmedim. Bu nedenle, daha iyi kıyas ölçütü (benchmark) performansına ve altın madalya kazanma yeteneğine rağmen, çoğu insan için ne kadar değer sunduğunu merak ediyorum. Bunu araştırmacılara yönelik bir araç olarak görüyorum.

Can sıkıcı bulduğum bir şey, Deep Think limitine ulaştıktan sonra normal bir modelle konuşmaya devam edememeniz. Çoğu zaman, problemi başlatmak için Deep Think’in yeterli olacağını, ardından da normal bir modelin ilk fikirleri devralarak nihai çözüme ulaşmasının iyi olacağını düşündüm.

Deep Think’in etkileyici başarılarla geldiğini düşünüyorum. IMO’da madalya kazanmak küçümsenecek bir iş değil ve bu modeller geliştikçe araştırmacılar için son derece faydalı araçlar haline gelebilir. Bir insanla eşleştiğinde, Deep Think’in araştırmayı ileri taşıyabileceğini düşünüyorum.

Doktoramı yaparken, başkalarıyla fikir alışverişinde bulunurken sık sık tıkanıyordum; onlar çözüm sağlayamasalar bile. Yanımda Deep Think gibi bir modelin olması, daha sık beyin fırtınası yapabilmek ve fikirleri daha hızlı doğrulayıp elemek açısından harika olurdu.