Google 推出 Deep Review：AI 代理系統加速技術文件審查

生成式 AI 大幅加速了許多技術領域的發展，如今 AI 在撰寫科學論文、技術文件、執行程式碼、設計實驗和起草提案等方面扮演著重要角色。然而，內容創作的加速也帶來了審查的挑戰，因為在 AI 生成內容快速增長的情況下，人類的驗證能力卻大致維持不變。

審查複雜文件，例如冗長的科學手稿或複雜的法律協議，需要專業知識和進階的學科背景。這種不平衡造成了驗證瓶頸，資訊生成的速度快於其能被嚴格審查的速度。

今天，我們很高興宣布 Deep Review 正式公開發布，這是一個 AI 代理系統，旨在為複雜文件提供嚴謹的回饋和技術驗證。它最初是為電腦科學學術論文分析而設計，但其功能已擴展到審查法律和金融等許多領域的文件。

Deep Review 既可以在文件起草過程中作為迭代改進工具，也可以在審查過程中用於科學流程驗證、主張確認和評估。

Deep Review 是我們 Paper Assistant Tool (PAT) 的演進，PAT 是一項實驗性計畫，旨在幫助研究人員在會議提交前對手稿進行壓力測試。在過去一年中，我們與四個頂尖電腦科學會議（STOC 2026、ICML 2026、NeurIPS 2026 和 ICLR 2027）合作，為超過 16,000 份選擇參與的手稿作者提供私密的預提交回饋。

有關 PAT 和這些試點計畫的更多細節，請參閱我們的論文《Towards Automating Scientific Review with Google’s Paper Assistant Tool》。

隨著這次發布，Deep Review 現已在全球範圍內開放使用。它提供分級存取和可擴展的 API，每位用戶每天可獲得兩次免費文件審查。

工作流程量大的用戶可以連接他們的 Gemini API 金鑰，以獲得更高的使用限制，並透過 Deep Review API 進行程式化整合。

在格式彈性方面，Deep Review 最初將支援 PDF 和純文字作為輸入格式，多檔案輸入支援即將推出。

關於隱私和資料政策，上傳到 Deep Review 的文件絕不會用於訓練、微調或改進 Google 的模型。上傳的文件會儲存一年，僅用於在 Deep Review 使用者介面中向用戶顯示。

驗證瓶頸最顯著的例子之一是學術同儕審查，這可以從學術出版場所，特別是 AI 研究領域的提交量增加中看出，這些領域的提交量急劇上升。今年，三個主要 AI 會議（ICLR、NeurIPS 和 ICML）的提交量超過 74,000 份，而 2025 年約為 45,000 份，2024 年為 32,000 份，2023 年為 23,000 份。

這些提交中的每一份都需要多個高品質的審查，以確保同儕審查過程的完整性，這可能會給人類專家帶來更大的負擔。

Deep Review 旨在幫助減輕技術領域人類審查員日益增長的負擔。透過提供詳細、客觀的文件評估，Deep Review 檢查邏輯一致性和數學陳述，提出改進建議，驗證事實，並與現有工作進行比較。

它解決了審查中最具認知負擔的一些方面，同時將更高層次的判斷留給人類。

Deep Review 在其實驗名稱 Paper Assistant Tool (PAT) 下，已與四個頂尖電腦科學會議（STOC 2026、ICML 2026、NeurIPS 2026 和 ICLR 2027）進行了廣泛測試和部署。在這些試點計畫中，作者可以在提交截止日期前幾週選擇透過 PAT 接收論文的回饋和分析。

目標是為作者提供可操作的回饋，以幫助提高提交論文的品質。這些回饋與官方會議審查過程完全脫鉤，PAT 不會收集任何資料用於訓練，並且在每個計畫結束後，論文會立即從 Google 系統中刪除。

作者對該工具的反應非常積極，這反映了底層模型和 PAT 框架的持續改進。隨著 Deep Review 中加入 Gemini 4 Argon 的支援，該工具的底層功能已進一步提升，超越了下面描述的 PAT 舊版本。

單一提示詞的大型語言模型 (LLM) 在評估冗長複雜的文件時，常因耗盡其推理預算、忽略長上下文的跨區塊依賴性，或未經充分審查就接受細微主張而失敗。Deep Review 透過一個四階段的代理流程解決了這些挑戰。

文件分割：文件首先被攝取，並由分割代理自動分解為邏輯區塊（例如，引言、實驗、方法論等）。這些區塊可以重疊，並且必須涵蓋輸入文件的所有內容。

自適應預算：並非所有區塊都需要相同的認知深度。該流程會檢查資訊密度，並為每個區塊動態分配計算預算，以及專門的推理擴展流程。例如，包含密集數學證明的區塊可能會獲得比學術論文的引言或相關工作區塊更多的計算資源。

深度平行驗證：專業的推理代理會平行審查每個區塊。每個代理都可以存取完整的文件上下文以追蹤交叉引用，但其推理能力專注於審查其特定的目標區塊。這確保了每個審查群組的審查任務都是可管理的，並且平行群組之間能適當協調。

全局綜合與代理驗證：一個專門的綜合代理會整合區塊層級的報告，並在區塊之間進行最終的一致性檢查，必要時重新執行邏輯檢查。該代理還會執行外部驗證檢查和工具呼叫，作為防止幻覺的最終預防措施。

儘管 Deep Review 起源於學術論文審查，但長上下文審查是可泛化的。用於檢查研究論文中數學證明是否成立的推理機制，也可以幫助發現其他類型文件中邏輯漏洞和不一致之處，這些文件中的主張必須有證據支持。

因此，Deep Review 可以為更廣泛的日常工作流程帶來結構化的批判。

用戶現在可以應用 Deep Review 來分析許多領域的複雜文件。例如，它可以用於：

設計文件：捕捉未說明架構假設、發現邊緣案例並提出具體改進建議。

簡報：確保投影片轉場邏輯流暢，並確保重點條列與視覺圖表相符。

法律和金融文件：檢查條款和數據表之間的內部一致性，標記模棱兩可的術語或下游影響，並根據支持證據驗證主張。

我們還推出了「團隊合作深度文件審查模式」（Teamwork Deep Document Review Pattern），這是一種文件審查實作模式，靈感來自 Deep Review，並使用 Teamwork 多代理協調框架內建於 Antigravity 中。這種模式旨在透過具有自我修正和基於區塊的評分標準的多代理層次結構，系統地評估研究論文、手稿草稿和技術提案。

Antigravity 用戶可以使用 /teamwork-preview 指令來調用此模式。

電腦科學領域全面的預提交批判，通常依賴於廣泛的審查網絡，例如資深教職員、資源豐富的學術實驗室或廣泛的同儕諮詢網絡。提供可靠、自動化的邏輯驗證，可以幫助許多學者壓力測試他們的論點，識別可避免的缺陷，根據驗證的基礎完善和強化他們的文件，並在審查過程中更有信心地呈現他們的工作。

我們邀請世界各地的研究人員、工程師和創作者探索 Deep Review：

試用 Deep Review：造訪 Google Research Portal 審查您的第一份文件。

整合 API：使用您的 Gemini API 金鑰，在您的持續整合和起草工作流程中實現程式化驗證。

閱讀研究：閱讀預印本，探索底層方法論和試點評估。

鑑於 Deep Review 在我們與學術會議的試點計畫中展現的實用性，我們相信像 Deep Review 這樣的工具，在未來幾年將透過賦予作者和審查者權力，在同儕審查過程中發揮重要作用。

展望未來，我們將繼續擴展平台的 capabilities。隨著 Gemini 4 Argon 支援的推出，Deep Review 的底層功能將進一步提升，為作者提供更高品質的回饋和分析。

此外，隨著多檔案支援即將推出，用戶也將能夠同時對整套相關文件、試算表和附件執行相同的一致性檢查。我們希望這些進步能讓世界各地的知識工作者更容易獲得高品質的技術審查。

Deep Review 是 Google Research、Google DeepMind 和 Google Cloud 之間的合作成果。我們感謝核心貢獻者和研究合作夥伴：Santiago Balseiro, Taylan Cemgil, Tommaso D'Orsi, Kirk Draheim, Lindi Emoungu, Ayse Erduran, Palash Goyal, Caroline Hartnell, Shobana Kannan, Amy Keeling, Siyi Kou, Bridget Lee, Ian Li, Anoushka Mazumdar, Taylor Montgomery, Mouad Naciri, Uche Okonkwo, Mihir Parmar, Anthony Phalen, Rory Pilgrim, Sarah Presotto Post, Rob Tierney, Drew Tyler, Vishnu V., Vahab Mirrokni, Laura Vardoulakis, Johannes Welbl, David Woodruff, Yunhan Xu, Jinsung Yoon，以及我們的執行贊助商 Katherine Chou, Corinna Cortes, Burak Gokturk, Vahab Mirrokni, Tomas Pfister, Yossi Matias 和 STOC、ICML、NeurIPS、ICLR 的計畫主席們的合作。