Google Research 公開發佈 Deep Review，為複雜文件提供技術審閲

生成式 AI 加快了許多技術領域的發展。如今，AI 參與撰寫科學論文和技術文件、執行程式碼、設計實驗及草擬提案，已十分普遍。然而，內容創作加快也帶來審查上的挑戰：在 AI 生成內容迅速增加之際，人類的核實能力大致維持不變。審查長篇科學論文或複雜法律協議等文件，需要專業知識及深厚的領域知識。這種失衡造成了驗證瓶頸：資訊產生的速度，超越了嚴謹審查所能跟上的速度。

今天，我們欣然宣佈Deep Review正式公開推出。這套代理式 AI 系統專為複雜文件提供嚴謹意見及技術核實而設。系統最初用於分析電腦科學學術論文，其功能現已擴展至審查法律及金融等多個領域的文件。它既可在草擬過程中用作反覆改進工具，也可在審查過程中用來核實科學流程、主張及評估。

Deep Review 是 Paper Assistant Tool (PAT) 的演進版本。PAT 是一項實驗計劃，旨在協助研究人員在會議投稿前對論文進行壓力測試。過去一年，我們與四個頂尖電腦科學會議（STOC 2026、ICML 2026, NeurIPS 2026, 及 ICLR 2027）合作，為選擇參與的逾 16,000 篇論文的作者提供私下的投稿前意見。PAT 及這些試行計劃的詳情，請參閲我們的論文《邁向以 Google 的 Paper Assistant Tool 自動化科學審查》。

Deep Review 現已在全球開放使用：

• 分級使用權限及可擴展 API：每位用戶每日可免費審查兩份文件。需要大量處理文件的用戶，可連接自己的Gemini API 金鑰，以提高使用限額，並透過 Deep Review API 進行程式化整合。
• 靈活支援不同格式：Deep Review 初期支援以 PDF 及純文字作為輸入格式，稍後將支援輸入多個檔案。
• 私隱及資料政策：上載至 Deep Review 的文件絕不會用於訓練、微調或改進 Google 模型。上載的文件會儲存一年，唯一用途是在 Deep Review 介面向用戶顯示。

Deep Review 加快技術核實

學術同行評審是驗證瓶頸最顯著的例子之一。學術出版平台收到的投稿數目上升，尤其是 AI 研究領域的出版平台，增幅尤為顯著。今年，三個主要 AI 會議（ICLR、NeurIPS 及 ICML）共收到逾 74,000 篇投稿，較約 2025 年的 45,000 篇、2024 年的 32,000 篇及 2023 年的 23,000 篇有所增加。每篇投稿都需要多份高質素評審，以確保同行評審流程的公正性，這可能加重人類專家的負擔。

Deep Review 旨在協助減輕技術領域的人類評審人員日益沉重的負擔。透過對文件作出詳細、客觀的評估，Deep Review 會檢查邏輯一致性和數學陳述、提出改進建議、核實事實，並與現有研究作比較。它處理評審工作中一些最耗費認知能力的部分，同時把較高層次的判斷留給人類。

科學評審方面的可靠往績

Deep Review 曾以實驗名稱 Paper Assistant Tool（PAT）廣泛測試及部署，並與四個頂尖電腦科學會議合作進行試點計劃：STOC 2026、ICML 2026、NeurIPS 2026 和 ICLR 2027。在這些試點計劃中，作者可選擇在截稿日期前數星期，透過 PAT 接收論文的意見和分析。計劃旨在向作者提供可採取行動的意見，協助提升投稿論文的質素。這些意見與會議的正式評審流程完全分開。PAT 不會收集任何資料作訓練用途；每個計劃結束後，論文都會迅速從 Google 系統中刪除。

作者對這項工具的反應極為正面，亦反映出底層模型及 PAT 框架持續改進的成果。Deep Review 加入 Gemini 4 Argon 支援後，工具的底層能力更勝下文所述 PAT 的較早期版本。

Deep Review 的運作方式

單次提示詞的大型語言模型（LLM）呼叫在評估篇幅長、內容複雜的文件時往往會失效，原因包括耗盡 token 推理預算、忽略長上下文中的跨章節依賴，或未有仔細查證便接受含義微妙的主張。Deep Review 透過四階段的智能體流程解決這些問題：

1. 文件分段：首先載入文件，再由分段智能體自主拆解成邏輯段落（例如引言、實驗、方法等）。這些段落可以互相重疊，而且必須涵蓋輸入文件的所有內容。
2. 自適應預算分配：各章節所需的認知深度並不相同。流程會檢視資訊密度，動態分配計算資源預算，並為每個章節安排專門的推理擴展流程。例如，包含大量數學證明的章節，所得的計算資源可能多於學術論文的引言或相關研究章節。
3. 深度並行核實：專門的推理智能體會並行仔細檢查每個段落。每個智能體都能存取完整文件的上下文，以追蹤交叉引用，但會集中推理能力，專門評審指定章節。這既確保每個評審智能體羣的工作量都在可控範圍內，也確保並行運作的智能體羣妥善協調。
4. 整體綜合與智能體式事實核實：專責的綜合智能體會整合各段落的報告，並在章節之間作最後的一致性檢查，必要時重新執行邏輯檢查。智能體還會作外部事實核實並呼叫工具，作為防止幻覺的最後一道預防措施。

通用核實與評審：不止於研究論文

Deep Review 最初源於學術論文審查，但長上下文審查具有廣泛適用性：用來檢查研究論文中的數學證明是否成立的推理機制，也有助揭示其他類型文件中的邏輯漏洞和不一致之處；在這些文件中，主張必須有證據支持。因此，Deep Review 可將結構化評議帶入更多日常工作流程。

用戶現可使用 Deep Review 分析不同領域的複雜文件，例如：

• 設計文件：找出未明言的架構假設和邊界情況，並提出具體改進建議。
• 簡報：確保投影片之間的銜接合乎邏輯，並確保項目符號列出的重點與圖表相符。
• 法律及財務文件：檢查條款和數據表之間的內部一致性，標示含糊用語或後續影響，並以佐證為依據核實各項主張。

Deep Review 與 Antigravity 結合

我們亦推出 Teamwork Deep Document Review Pattern，這是一種受 Deep Review 啟發的文件審查實作模式，利用 Antigravity 內置的 Teamwork multi-agent orchestration framework 建置。此模式透過多代理層級架構、自我修正機制及按文件部分劃分的評分準則，有系統地評估研究論文、手稿草稿和技術提案。Antigravity 用戶可使用 /teamwork-preview 指令呼叫此模式。

讓全面、高質素的技術審查更廣泛普及

在電腦科學領域，投稿前的全面評議通常有賴廣泛的審查網絡，例如資深學者、資源充足的學術實驗室，或廣泛的同行諮詢網絡。提供可靠的自動化邏輯驗證，有助更多學者嚴格檢驗自己的主張、找出可避免的缺陷、以經核實的基礎修訂並加強文件內容，並在評審過程中更有信心地呈現研究成果。

開始使用

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：前往 Google Research Portal，審查你的首批文件。
• 透過 API 整合：使用你的 Gemini API key，在持續整合及草擬工作流程中進行程式化驗證。
• 閲讀研究：閲讀預印本，瞭解背後的方法及試行評估。

結語與展望

鑑於 Deep Review 在我們與學術會議合作進行的試行計劃中展現的實用價值，我們相信，Deep Review 等工具將在未來數年的同儕評審流程中發揮重要作用，協助作者和評審者。

我們將繼續擴展平台的功能。隨著推出 Gemini 4 Argon 支援，Deep Review 的底層能力進一步提升，為作者提供質素更高的意見和分析。此外，多檔案支援即將推出，用戶屆時亦可同時對整套相關文件、試算表和附件進行相同的一致性檢查。我們希望這些進展能讓世界各地的知識工作者更容易獲得高質素的技術審查。

致謝

Deep Review 是 Google Research、Google DeepMind 和 Google Cloud 共同合作的成果。我們感謝核心貢獻者及研究合作夥伴——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 和 Jinsung Yoon——也感謝高層贊助人 Katherine Chou、Corinna Cortes、Burak Gokturk、Vahab Mirrokni、Tomas Pfister、Yossi Matias，以及 STOC、ICML、NeurIPS 和 ICLR 的程序委員會主席對合作的支持。