使用 Deep Review 分析技术文档（阅读需 12 分钟）

# 使用 Deep Review 分析技术文档 来源：https://research.google/blog/analyzing-technical-documents-with-deep-review/ 生成式 AI 加速了许多技术领域的发展。如今，AI 参与撰写科学论文和技术文档、运行代码、设计实验以及起草提案已十分普遍。然而，内容创作的加速也带来了审核挑战：在 AI 生成内容迅速增长的同时，人类的验证能力基本没有变化。审核长篇科学手稿或复杂法律协议等复杂文档，需要专业技能和深厚的学科知识。这种失衡造成了验证瓶颈 (https://deepmind.google/public-policy/conjecture-machines-ai-agents-and-the-new-validation-bottleneck-in-science/)，即信息生成的速度超过了对其进行严格审核的速度。 今天，我们很高兴地宣布，Deep Review (https://research.google/deepreview/) 正式向公众开放。这是一套智能体 AI 系统，旨在为复杂文档提供严谨的反馈和技术验证。该系统最初用于分析计算机科学学术论文，如今其能力已扩展至法律、金融等多个领域的文档审核。它既可以在起草过程中用作迭代改进工具，也可以在审核过程中用于验证科学过程、核查论断和开展评估。 Deep Review 由我们的论文辅助工具 \(Paper Assistant Tool，PAT\) 演进而来。PAT 是一项实验性计划，旨在帮助研究人员在向会议投稿前对手稿进行压力测试。过去一年，我们与四场计算机科学旗舰会议 \(STOC 2026 (https://research.google/blog/gemini-provides-automated-feedback-for-theoretical-computer-scientists-at-stoc-2026/)、ICML 2026 (https://blog.icml.cc/2026/03/30/retrospective-on-pat-x-icml-2026-ai-paper-assistant-program/)、NeurIPS 2026 (https://blog.neurips.cc/2026/04/21/neurips-supports-authors-with-googles-paper-assistant-tool-pat/) 和 ICLR 2027 (https://blog.iclr.cc/2026/09/10/making-googles-paper-assistant-tool-pat-available-to-iclr-submitters/)\) 合作，为自愿参与的逾 16,000 篇手稿的作者提供了私密的投稿前反馈。有关 PAT 及这些试点的更多详情，请参阅我们的论文《迈向使用 Google 论文辅助工具实现科学评审自动化》(https://arxiv.org/abs/2606.28277)。 随着此次发布，Deep Review 现已面向全球开放： - **分级访问与可扩展 API**：每位用户每周可获得两次免费文档审核。需要处理大量文档的用户可以接入自己的 Gemini API 密钥 (https://ai.google.dev/gemini-api/docs/api-key)，获得更高的使用限额，并通过 Deep Review API 进行程序化集成。 - **灵活的格式支持**：Deep Review 最初将支持 PDF 和纯文本输入格式，多文件输入支持即将推出。 - **隐私与数据政策**：上传至 Deep Review 的文档绝不会用于训练、微调或改进 Google 模型。上传的文档会保存一年，唯一用途是在 Deep Review 用户界面中向用户展示。 ## Deep Review 加速技术验证 学术同行评审是验证瓶颈最显著的例子之一。学术发表平台收到的投稿数量不断增加，尤其是 AI 研究领域自身的发表平台，投稿量增长尤为迅猛。今年，三场主要 AI 会议 \(ICLR (https://blog.iclr.cc/2026/03/31/a-retrospective-on-the-iclr-2026-review-process/)、NeurIPS (https://csconfstats.xoveexu.com/?conf=NeurIPS) 和 ICML (https://media.icml.cc/Conferences/ICML2026/ICML2026_Fact_Sheet.pdf)\) 共收到逾 74,000 篇投稿，而 2025 年约为 45,000 篇、2024 年为 32,000 篇、2023 年为 23,000 篇 (https://arxiv.org/pdf/2606.28277)。每篇投稿都需要多份高质量评审，以确保同行评审过程的严谨性，这可能给人类专家带来更沉重的负担。 Deep Review 旨在帮助减轻各技术领域人类评审者日益加重的负担。通过对文档进行详细、客观的评估，Deep Review 会检查逻辑一致性和数学陈述、提出改进建议、核实事实依据，并与现有工作进行比较。它承担了审核中一些最耗费认知精力的环节，同时将更高层次的判断交由人类完成。 ## 在科学评审中经过实践验证 Deep Review 曾以实验名称“论文辅助工具” (https://arxiv.org/abs/2606.28277) \(PAT\)，在与计算机科学旗舰会议 STOC 2026、ICML 2026、NeurIPS 2026 和 ICLR 2027 的四项试点合作中接受广泛测试并投入使用。在这些试点中，作者可以自愿选择在投稿截止日期前数周，通过 PAT 获得针对论文的反馈和分析。其目标是为作者提供可操作的反馈，帮助提升投稿论文的质量。这些反馈与会议的正式评审流程完全独立。PAT 没有收集任何数据用于训练，每项计划结束后，相关论文都及时从 Google 系统中删除。 作者对该工具的反响极为积极，这也反映了底层模型和 PAT 运行框架的持续改进。随着 Deep Review 加入对 Gemini 4 Argon 的支持，该工具的底层能力进一步增强，超越了下文所述的较早版本 PAT。 ## Deep Review 的工作原理 单次提示的大语言模型调用在评估复杂长文档时往往会失效，原因包括耗尽推理 token 预算、忽略长上下文中不同章节之间的依赖关系，或在未充分审查的情况下接受细微复杂的论断。Deep Review 通过一个分为四个阶段的智能体流程解决这些挑战： 1. **文档分段**：系统首先读取文档，再由分段智能体自主将其拆分为逻辑片段 \(例如引言、实验、方法等\)。这些片段可以相互重叠，但必须覆盖输入文档的全部内容。 2. **自适应预算分配**：并非所有章节都需要同等深度的认知处理。该流程会检查信息密度，动态分配计算预算，并为每个章节配置专门的推理扩展流程。例如，包含密集数学证明的章节可能比学术论文的引言或相关工作章节获得更多计算资源。 3. **深度并行验证**：专门的推理智能体并行仔细审查各个片段。每个智能体都可以访问完整文档的上下文，以追踪交叉引用，但会将推理能力集中用于审核其指定的目标章节。这既确保每个评审智能体群组承担的审核任务量可控，也确保并行工作的群组之间得到妥善协调。 4. **全局综合与智能体依据核验**：专门的综合智能体整合片段级报告，对章节之间的一致性进行最终检查，并在必要时重新执行逻辑检查。该智能体还会进行外部依据核验和工具调用，作为防范幻觉的最后一道措施。 ## 通用验证与审核：超越研究论文 虽然 Deep Review 起源于学术论文评审，但长上下文审核具有通用性：用于检查研究论文中数学证明是否成立的推理机制，也能帮助发现其他类型文档中的逻辑缺口和不一致之处，因为这些文档中的论断同样必须有证据支持。因此，Deep Review 可以为更广泛的日常工作流程提供结构化评议。 用户现在可以使用 Deep Review 分析多个领域的复杂文档。例如，可以用它审核： - **设计文档：**发现未明确说明的架构假设、识别边界情况，并提出具体的改进建议。 - **演示文稿：**确保幻灯片之间的衔接符合逻辑，且要点列表中的结论与可视化图表相符。 - **法律和财务文档：**检查条款和数据表之间的内部一致性，标记含糊的术语或后续影响，并依据支持性证据核验论断。 ## Deep Review 与 Antigravity 相遇 我们还推出了 Teamwork 深度文档审核模式 (https://antigravity.google/docs/teamwork/#execution-paths)**，**这是一种受 Deep Review 启发的文档审核实现模式，使用 Teamwork 多智能体编排框架 (https://antigravity.google/blog/teamwork-when-ai-becomes-a-research-partner) 构建，并内置于 Antigravity (https://antigravity.google/)。该模式采用具备自我纠正能力的多智能体层级结构和基于片段的评估准则，旨在系统性地评估研究论文、手稿草稿和技术提案。Antigravity 用户可以使用 `/teamwork\-preview` 命令调用此模式。 ## 让全面、高质量的技术审核广泛可及 在计算机科学领域，全面的投稿前评议通常依赖于广泛的评审人脉网络，例如资深教师、资源充足的学术实验室，或广泛的同行咨询网络。提供可靠的自动化逻辑验证，可以帮助众多学者对自己的论断进行压力测试、识别可避免的缺陷，在经过验证的基础上完善并强化文档，并在评审过程中更有信心地展示自己的工作。 ## 开始使用 我们邀请世界各地的研究人员、工程师和创作者探索 Deep Review： - **试用 Deep Review：**访问 Google Research 门户 (https://research.google/deepreview)，开始审核您的首批文档。 - **通过 API 集成：**使用您的 Gemini API 密钥 (https://ai.google.dev/gemini-api/docs/api-key)，在持续集成和起草工作流程中接入程序化验证。 - **阅读研究论文：**阅读预印本 (https://arxiv.org/abs/2606.28277)，了解底层方法和试点评估。 ## 结语与展望 鉴于 Deep Review 在我们与学术会议开展的试点计划中展现出的实用性，我们相信，未来几年，这类工具将通过赋能作者和评审者，在整个同行评审过程中发挥重要作用。 未来，我们将继续扩展平台能力。随着对 Gemini 4 Argon 的支持逐步推出，Deep Review 的底层能力将进一步提升，为作者提供质量更高的反馈和分析。此外，多文件支持即将推出，用户届时还可以同时对整套相关文档、电子表格和附件执行相同的一致性检查。我们希望，这些进步能让世界各地的知识工作者更容易获得高质量的技术审核。 ## 致谢 *Deep Review 是 Google Research、Google DeepMind 和 Google Cloud 共同合作的成果。我们感谢核心贡献者和研究合作者——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——以及我们的高管赞助人 Katherine Chou、Corinna Cortes、Burak Gokturk、Vahab Mirrokni、Tomas Pfister、Yossi Matias 和 STOC、ICML、NeurIPS、ICLR 的程序委员会主席，感谢他们的合作。*