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()))技术支持
即使您不理解每一行代码也没关系。整体结构比具体实现更重要。它与四个阶段的对应关系如下:
split_into_sections() 是我们的分割器(阶段 1)
thinking_level_for() 决定每个部分的投入强度(阶段 2)
ThreadPoolExecutor 并行运行审阅者,且每个都能看到全文(阶段 3)
末尾的 merge_prompt 是我们的编辑(阶段 4)
这个版本比真正的系统简单得多。没有分割代理、没有对 Google 搜索的校验、也没有对不确定发现的二次复核。
但它确实解决了 Google 提到的 3 个问题中的 2 个:思考预算耗尽与遗漏跨部分联系。
它也带来一些需要注意的成本。
每次审阅调用都会携带全文,因此令牌用量会随部分数量增长。
分割器还会把任何以 # 开头的行当作标题,包括代码块内的注释,因此先在您的文件上做测试。
如何使用 Google Deep Review
使用 Deep Review 需要几分钟设置时间,然后等待代理运行。
设置您的首次审阅
图 1:运行 Deep Review 的步骤,从登录到根据反馈采取行动。示意图由作者绘制,基于 Google Research 的 Deep Review 页面。
想象您把一份 40 页的报告递给朋友,并问道:"您能在接下来的 10 分钟里帮我检查有没有错误吗?"
TA 也许能找出几处拼写错误和一两句语法不通顺的句子。但会注意到第 3 页的一个数字与第 31 页的相同数字不一致吗?大概不会。
现在把同样的报告交给一个团队。
擅长数学的人负责公式,另一个人通读实验部分,所有人都拿到完整报告的副本,而一名编辑会汇总所有笔记并复核任何看起来不对劲的地方。
这个团队会发现更多问题,包括那些真正重要的错误。
Google Deep Review 就是这种第二种方法的软件化版本。它是 Google Research 的一种代理式 AI 系统,通过把长而复杂的文档分块、并行审阅每个部分,并将结果合并成一份报告来进行检查。
Google 于 2026 年 10 月 14 日向公众开放了它,每周可免费进行 2 次审阅。
本文将介绍 Deep Review 是什么、其四阶段流水线如何工作、Google 公布的结果显示了什么,以及如何自行复刻这种模式。您也可以查看我们的 Gemini 3.1 Pro 指南和我们的 使用 LangGraph 的多智能体系统课程。
要点速览
什么是 Google Deep Review?
Google Deep Review 是一套针对长篇、复杂文档提供反馈与技术校验的代理式 AI 系统。它将文档拆分为多个部分,并行检查各部分,然后合并为一份报告。
Deep Review 最初为学术论文而建。Google 现称其同样适用于设计文档、演示文稿、以及法律和财务文档。您可通过 Google Research Portal 使用它,Google 在其 Research@ 活动上宣布了该产品。
回到我们的类比,Deep Review 既是团队也是编辑。它将工作拆分,让每个部分都得到细致审阅,而不是只读一遍就给出第一印象。
Google 为什么要构建 Deep Review?
AI 让写作变得廉价,但检查依然缓慢且昂贵。Google 将此称为验证瓶颈:信息的生成速度快于严格审查的速度。
据 Google 称,三大 AI 会议(ICLR、NeurIPS 和 ICML)的合计投稿量从 2023 年约 23,000 篇增长到 2026 年约 74,000 篇。
同期合格审稿人的数量并未增长到三倍。(由于 Google 论文中的 NeurIPS 计数为预测值,2026 年的数字部分为估算。)
从 Paper Assistant Tool 到 Deep Review
Deep Review 源于 Paper Assistant Tool(PAT)。Google 在 4 个计算机科学会议中进行了试点:STOC 2026、ICML 2026、NeurIPS 2026 和 ICLR 2027。
作者可自愿参与,在截稿前获得对论文的私密反馈。
超过 16,000 篇论文参与了试点。
这些反馈与正式的同行评审分离,因此不影响论文是否被接收。
公众版本加入了对 Gemini 4 Argon 的支持,Google 称其比旧版 PAT 更强。Google 还将相关模式构建进其基于代理的编码环境 Antigravity。
Teamwork 深度文档审阅模式可通过
/teamwork-preview命令运行。Deep Review 如何工作?
Deep Review 采用四阶段流水线:文档分割、按部分分配算力、并行深度校验、以及全局合成与溯源。
用大语言模型(LLM)审阅论文的直观方式是粘贴全文并请求反馈。
这就是我们类比中的“只有 10 分钟的朋友”。Google 给出了其不足的 3 个原因:
我们的审阅团队遵循与流水线相同的 4 个步骤。下面逐一说明。
阶段 1:文档分割
分割代理将文档拆分为引言、方法、实验与证明等逻辑部分。
各部分可以重叠,但总体上必须覆盖全文。
在我们的类比中,这就像团队在任何人开始阅读之前先决定谁检查哪一章。没有任何部分会被跳过。
阶段 2:自适应算力预算
有些部分远比其他部分更难检查。
一段冗长的数学证明比相关工作部分(大多是论文列表)需要更多细致推理。
Deep Review 会评估每个部分的信息密度,并为更难的部分分配更多算力。
Google 的论文描述了轻量、中等和高强度三种思考轨道,证明与理论归入高强度轨道。如果您用过带有“思考”设置的模型,这是将类似理念分别应用到每个部分。
阶段 3:并行深度校验
接下来,审阅代理同时检查所有部分。每个代理聚焦自己的部分,但每个代理都能看到完整文档。
假设第 5 节引用了第 2 节推导的结果。
检查第 5 节的代理可以回查两者是否一致。若模型只看到第 5 节,它几乎不可能发现这一点。
阶段 4:全局合成与溯源
最后,合成代理扮演编辑的角色。
它合并各部分报告,去除重复评论,查找各部分之间的矛盾,并对拿不准的逻辑再次复核。
它还会针对外部来源(包括 Google 搜索)进行溯源检查,以捕捉不存在的论文或定理等幻觉。
没有这一步,审阅者可能会自信地标注并不存在的问题,浪费您的时间。
如何用 Python 构建 Deep Review 风格的流水线
Deep Review 是由 LLM 代理构建的map-reduce 模式:拆分工作、并行检查各部分、再把结果合并。您可以在不到 80 行代码内搭建一个简化版本。
下面的示例使用 Google Gen AI SDK 与 Gemini 3.1 Pro。
其
thinking_level设置为我们实现阶段 2 提供了途径。即使您不理解每一行代码也没关系。整体结构比具体实现更重要。它与四个阶段的对应关系如下:
split_into_sections()是我们的分割器(阶段 1)thinking_level_for()决定每个部分的投入强度(阶段 2)ThreadPoolExecutor并行运行审阅者,且每个都能看到全文(阶段 3)merge_prompt是我们的编辑(阶段 4)这个版本比真正的系统简单得多。没有分割代理、没有对 Google 搜索的校验、也没有对不确定发现的二次复核。
但它确实解决了 Google 提到的 3 个问题中的 2 个:思考预算耗尽与遗漏跨部分联系。
它也带来一些需要注意的成本。
每次审阅调用都会携带全文,因此令牌用量会随部分数量增长。
分割器还会把任何以
#开头的行当作标题,包括代码块内的注释,因此先在您的文件上做测试。如何使用 Google Deep Review
使用 Deep Review 需要几分钟设置时间,然后等待代理运行。
设置您的首次审阅
图 1:运行 Deep Review 的步骤,从登录到根据反馈采取行动。示意图由作者绘制,基于 Google Research 的 Deep Review 页面。
需要了解的几个限制:
阅读报告
图 2:Google Deep Review 报告示例,与被审阅的论文并排展示。图片来源:ScriptByAI,Deep Review:谷歌用于论文和技术文档的 AI 审阅工具。
报告以总体反馈开头,先给出摘要,随后是详细反馈。
您可以将详细评论筛选为主要关注点、轻微修改和建议,每条评论都会标注其所对应的章节或页码。
此外还有评论视图和“复制报告”按钮,可将整份审阅以 Markdown 复制。方便您粘贴到笔记中逐条处理。
Google Deep Review 的准确性如何?
Google 自身的结果显示,Deep Review 的前身 PAT 在 SPOT 基准的数学与计算机科学子集上捕获了89.7% 的错误,而单独使用 Gemini 3.1 Pro 则为 55.2%。
这些数字来自 PAT 论文 Towards Automating Scientific Review with Google's Paper Assistant Tool。
SPOT 是一个由真实论文错误构建的基准,这些论文后来被撤稿或更正。Google 在包含公式与证明错误的数学与计算机科学子集上测试了 PAT:26 篇论文共含 29 处错误。
PAT 的召回率比单次调用基线高出约34 个百分点。
需要注意两点。
其一,作者使用了自建的评分器,能够接受对同一错误的逻辑等价描述,因此这些数字不能与原版 SPOT 结果直接比较。
其二,论文对模型的描述并不一致:正文称 PAT 由 Gemini Deep Think 驱动,而结果表将 89.7% 标注为与 Gemini 3.1 Pro 的 PAT。无论如何,这都不是公众版 Deep Review。
试点反馈也不错。
Google 调研了来自 STOC 与 ICML 试点的作者,这两次共审阅了 4,700 多份投稿。在 857 份回复中(STOC 124 份,ICML 733 份):
最后这一点让我印象深刻。
在截稿前临时追加实验并非易事,因此反馈应当颇具说服力。
不过,这些数字都来自 Google 以及自愿参与的作者,且尚无人对公众版 Deep Review 进行独立测试。将其视为有前景的信号,而非能在您自己的文档上复现的证据。
数据科学家如何使用 Deep Review?
即使不写数学证明,Deep Review 也能派上用场。
许多数据科学家与分析师的写作本质上都是用数字支撑的一系列论断,而这正是 Deep Review 所擅长检查的内容。
以下场景值得一试:
Google 将 Deep Review 描述为检查文档中的推理。它不会运行您的代码,因此流水线中的 bug 仍可能让错误数字看起来完全一致。
较好的工作流如下:
若要在自有工具内使用,Deep Review API 允许您从代码中发起审阅,例如集成到持续集成(CI)流水线。
您需要连接自己的 Gemini API 密钥,因此用量将计入您的 Gemini API 账户。
成本取决于文档长度与推理强度,因此在做进一步集成前,先用一份文档进行测试。
Google Deep Review 的局限
最大的局限在于 Deep Review 可能出现双向错误。
PAT 论文称,试点中出现了将本来正确的证明误判为错误的情况,原因在于推理失败,作者表示仍在持续改进。
溯源也是需要关注的数字。
只有 55.8% 的 STOC 受访者与 64.8% 的 ICML 受访者认为反馈“多数或完全有溯源依据”,因此大约 35%–44% 的受访者并不认为其多数有据可依。
在采取行动前,请将每个主要关注点与您的文档逐一核对。
它也不会进行价值判断。
它不会告诉您观点是否新颖有趣,也不会给论文打分。这部分仍取决于您与审稿人。
还有隐私问题。
Google 表示绝不会使用上传的文档来训练、微调或改进其模型,但会保留 1 年以便您在界面中查看。
如果您正处理受保密协议(NDA)约束的内容,我建议三思而后传。
其他一些限制:
结语
Deep Review 更接近我们的审阅团队,而非“只有 10 分钟的朋友”。我认为最佳用法是作为提交前对草稿的又一遍通读,由您逐条核查其主要关注点。
它会标注一些并非真正问题的点;它无法判断您的工作是否具备新意,其准确性也仍待 Google 之外的人测试。
值得借鉴的是其设计。把工作拆开、为难点投入更多精力、并行检查全部内容并合并结果,这一做法几乎适用于所有需要处理长文档的代理系统。
如果您想亲自构建这类代理,建议查看我们的 使用 LangGraph 的多智能体系统课程。