Analyzing technical documents with Deep Review

使用 Deep Review 分析技术文档

2026 年 10 月 14 日

Google Research 研究科学家 Rajesh Jayaram 和 Vincent Cohen-Addad

在 STOC、ICML、NeurIPS 和 ICLR 等会议的 16,000 多份投稿中成功部署后，Deep Review 现已正式向公众开放。该系统从深度数学和科学同行评审扩展到提供跨知识文档（包括 Google Docs 和演示文稿）的严格、基于事实的验证。

快速链接

• 论文
• STOC 2026 博客文章
• ICML 2026 回顾
• NeurIPS 2026 博客文章
• Google Labs 门户
• R@ Top 10 博客
• Google R@ 新闻合集页面
• 分享 复制链接 ×

生成式 AI 已加速了众多技术领域的发展。如今，AI 在撰写科学论文和技术文档、运行代码、设计实验和起草提案等方面发挥着一定作用已成常态。然而，内容创作速度的提升也带来了评审挑战：在 AI 生成内容迅速增加的背景下，人类的验证能力基本保持不变。评审长篇科学手稿或复杂法律协议等复杂文档需要专业知识和先进领域知识。这种不平衡导致了验证瓶颈，即信息生成速度超过了其被严格审查的速度。

今天，我们很高兴宣布 Deep Review 的公开发布，这是一个智能体 AI 系统，专为复杂文档提供严谨反馈和技术验证。该系统最初设计用于计算机科学学术论文分析，其能力已扩展到多个领域，如法律和金融。它既可以作为起草过程中的迭代改进工具，也可以作为评审过程中科学流程验证、声明和评估的工具。

Deep Review 代表了我们论文助手工具（Paper Assistant Tool，PAT）的演进——这是一个实验性项目，旨在帮助研究人员在会议投稿前对论文进行压力测试。过去一年中，我们与四个旗舰计算机科学会议（STOC 2026、ICML 2026、NeurIPS 2026 和 ICLR 2027）合作，为超过 16,000 篇自愿参与的论文作者提供私人预投稿反馈。有关 PAT 及这些试点项目的更多细节，请参见我们的论文《通过 Google 论文助手工具实现科学评审自动化》。

随着此次发布，Deep Review 现已向全球开放：

• 分层访问和可扩展 API：每位用户每周可获得两次免费文档审查。具有高流量工作流程的用户可以通过连接 Gemini API 密钥，通过 Deep Review API 实现更高的使用限制和程序化集成。

• 格式灵活性：Deep Review 最初支持 PDF 和纯文本作为输入格式，多文件输入支持即将推出。

• 隐私和数据政策：上传到 Deep Review 的文档绝不会用于训练、微调或改进 Google 模型。上传的文档仅用于在 Deep Review 界面中向用户显示，存储期限为一年。

验证瓶颈最显著的例子之一出现在学术同行评审中。这种现象在学术出版场所的投稿数量激增中尤为明显，尤其是人工智能研究本身的会议，其投稿数量出现了显著增长。今年，三大人工智能会议（ICLR、NeurIPS和ICML）的投稿数量超过74,000篇，较2025年的约45,000篇、2024年的32,000篇以及2023年的23,000篇均有大幅增加。每篇投稿都需要多份高质量的评审意见，以确保同行评审过程的完整性，这会给人类专家带来更大的负担。

根据图像宽度确定适当的宽度

移动设备图像使用默认宽度

NeurIPS、ICML和ICLR会议在2023年至2026年间的投稿数量增长

Deep Review旨在帮助缓解技术领域人类评审人员日益增加的负担。通过提供对文档的详细、客观评估，Deep Review检查逻辑一致性与数学陈述，提出改进建议，验证事实依据，并与现有工作进行比较。它解决了评审过程中一些最繁重的认知任务，同时将更高层次的判断保留给人类。

科学评审的成熟经验

Deep Review在实验性名称Paper Assistant Tool（PAT）下，已与STOC 2026、ICML 2026、NeurIPS 2026和ICLR 2027四大计算机科学旗舰会议进行了四次试点合作，经过广泛测试和部署。在这些试点中，作者可在提交截止日期前的几周内选择通过PAT接收论文反馈和分析。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。这些反馈与正式的会议评审流程完全分离。PAT未收集任何训练数据，每次项目结束后论文会立即从Google系统中删除。

作者对工具的反馈非常积极，反映了基础模型和PAT框架的持续改进。随着Deep Review增加对Gemini 4 Argon的支持，该工具的基础能力已超越下文所述的早期PAT版本。

机器学习和理论计算机科学会议中PAT试点项目的统计数据和作者反馈。

Deep Review的工作原理

单提示LLM调用在评估长而复杂的文档时经常失败，原因包括耗尽token推理预算、忽略长上下文交叉依赖关系，或在未充分审查的情况下接受细微的主张。Deep Review通过一个四阶段的智能代理流程解决这些挑战：

• 文档分割：文档首先被摄入系统，由分割代理自主分解为逻辑片段（例如引言、实验、方法论等）。这些片段可以重叠，且必须覆盖输入文档的全部内容。

• 自适应预算分配：并非所有章节都需要同等的认知深度。流程会检查信息密度，并为每个章节动态分配计算预算，同时配备专用的推理扩展流水线。例如，包含密集数学证明的章节可能获得比引言或相关工作章节更多的计算资源。

• 深度并行验证：专用推理代理并行检查每个段落。每个代理均可访问完整文档上下文以追踪交叉引用，但其推理能力专门用于审查特定目标段落。这既确保每个审查小组的任务可管理，又保证并行小组间的协调性。

• 全局综合与代理定位：专用综合代理整合各段落报告，并在各章节间执行最终一致性检查，必要时重新运行逻辑验证。该代理进一步执行外部定位检查和工具调用，作为防止幻觉的最终预防措施。

系统架构展示四阶段流水线。

普遍验证与审查：超越研究论文

尽管Deep Review最初源于学术论文审查，但长文本审查具有通用性：用于验证研究论文中数学证明有效性的推理机制，同样可帮助识别其他类型文档中的逻辑漏洞和不一致之处，这些文档中的主张必须由证据支持。因此，Deep Review可用于将结构化批评扩展到更广泛的日常工作流程中。

用户现在可以将Deep Review应用于分析多个领域的复杂文档。例如，它可以运行在：

• 设计文档：发现未声明的架构假设，识别边缘情况，并提出具体改进建议。

• 演示文稿：确保幻灯片过渡逻辑连贯，要点与视觉图表匹配。

• 法律和财务文档：检查条款和数据表之间的内部一致性，标记模糊术语或后续影响，并将主张与支持证据进行定位验证。

Deep Review与Antigravity的结合

我们还推出Teamwork Deep Document Review Pattern（团队协作深度文档审查模式），这是一种受Deep Review启发的文档审查实现模式，通过Antigravity的Teamwork多代理编排框架实现。该模式系统性地设计用于通过多代理分层结构（包含自我修正和分段评分标准）评估研究论文、手稿草稿和技术提案。Antigravity用户可通过/teamwork-preview命令调用此模式。

让全面、高质量的技术审查触手可及

计算机科学领域全面的预提交审查通常依赖于广泛的审查网络——如资深教授、资源充足的学术实验室或广泛的同行顾问网络。提供可靠、自动化的逻辑验证可帮助许多学者对其主张进行压力测试，识别可避免的缺陷，基于验证后的基础完善文档，并在审查过程中更有信心地展示其工作。

入门指南

我们邀请全球研究人员、工程师和创作者探索Deep Review：

• 尝试Deep Review：访问Google Research Portal，开始审查你的第一份文档。

• 通过API集成：使用Gemini API密钥，在持续集成和撰写工作流程中访问程序化验证功能。

• 阅读研究：阅读预印本，探索底层方法和试点评估。

结论与展望

鉴于其在与学术会议试点项目中的表现，我们相信像Deep Review这样的工具将在未来几年通过赋能作者和审稿人，在同行评审流程中发挥重要作用。

展望未来，我们正在继续扩展平台的功能。随着Gemini 4 Argon的支持上线，Deep Review的核心能力进一步提升，为作者提供更高质量的反馈和分析。此外，随着即将推出的多文件支持功能，用户也将能够同时对整个相关文档集、电子表格和展示材料运行这些一致性检查。我们希望这些进步能让高质量的技术评审惠及全球所有知识工作者。

致谢

Deep Review是Google Research、Google DeepMind和Google Cloud团队协作的成果。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，以及执行赞助人Katherine Chou、Corinna Cortes、Burak Gokturk、Vahab Mirrokni、Tomas Pfister、Yossi Matias，以及STOC、ICML、NeurIPS和ICLR会议主席，感谢他们的合作支持。

• 标签：

• 一般科学

• 机器智能

• 自然语言处理

其他相关文章

• 2026年10月14日 Research@ 2026：10种方式我们正在放大人类的创造力 一般科学 · 生成式AI · 健康与生命科学

• 2026年10月14日 将Earth AI投入应用：用于解决地球最大挑战的地理空间代理 Earth AI · 一般科学 · 机器智能

• 2026年10月5日 代理隐私与安全中的开放与新兴问题：一个情境视角 生成式AI · 自然语言处理 · 安全、隐私与滥用预防

×

❮

❯

一个条形图显示论文提交量从2023年的24,000份增长到2026年的75,000份。