Gemini Deep Research

Агентна система

За да създадем Deep Research, трябваше да разработим нова система за планиране, която дава възможност на приложението Gemini да се справя със сложни задачи. За целите на Deep Research обучихме моделите на Gemini така, че да имат следните възможности:

• Разбивка на задачата: Когато получи сложна потребителска заявка, системата първо изготвя подробен план за проучване, като разделя задачата на поредица от по-малки и лесни за изпълнение подзадачи. Вие контролирате плана – Gemini ще ви го покаже, след което можете да го прецизирате така, че да се съсредоточава върху правилните области.

• Проучване: Моделът ръководи изпълнението на плана и интелигентно определя кои подзадачи могат да бъдат извършени едновременно и кои – последователно. Той е в състояние да използва различни инструменти, като например търсене и сърфиране в мрежата, за да извлича информация и да разсъждава върху нея. При всяка стъпка моделът разсъждава върху наличната информация, за да определи следващия си ход. Въведохме панел на мисленето, за да могат потребителите да следят какво е научил моделът досега и какво възнамерява да направи.

• Синтезиране: След като моделът прецени, че има достатъчно информация, той я синтезира в обширен доклад. При изготвянето на доклада Gemini оценява информацията внимателно, идентифицира ключовите теми и несъответствията и го структурира по логичен и информативен начин. Gemini дори се самокритикува, за да подобри яснотата и детайлите.

Нова категория, нови проблеми, нови решения

При разработването на Deep Research трябваше да се справим с три значителни технически предизвикателства:

Планиране в няколко стъпки

Проучванията изискват няколко стъпки на итеративно планиране. При всяка стъпка моделът трябва да се запознае със събраната до момента информация и след това да открие несъответствията и липсващите данни, които иска да проучи — всичко това е възможно, като се жертва изчерпателност в замяна на време за изчисления и време на изчакване. Обучаването на модела да бъде ефективен в планирането в няколко стъпки по ефикасен откъм данни начин, ни даде възможност да пуснем Deep Research да работи в среда с отворен домейн на всички теми.

Дълготрайни изводи

Обичайната задача за Deep Research включва много извиквания на модели в рамките на няколко минути. Това усложнява създаването на агентни модели, защото системата трябва да бъде разработена така, че задачата да не се рестартира след един неуспех.

За да се справим с този проблем, разработихме нов асинхронен инструмент за управление на задачите, който обезпечава споделянето между моделите за планиране и тези за изпълнението на задачите. Така системата се възстановява елегантно след получаване на грешка, без да се рестартира цялата задача. Тази система е изцяло асинхронна – можете да отворите друго приложение или буквално да изключите компютъра си, след като сте започнали проект в Deep Research, и следващия път, когато отворите Gemini, ще получите известие, щом проучването е готово.

Управление на контекста

По време на сесия за проучване Gemini може да обработи стотици страници със съдържание. За да се поддържа последователност и да могат да се задават последващи въпроси, използваме водещия в отрасъла контекстен прозорец на Gemini от 1 милион токена заедно с конфигурация RAG. Това дава възможност на системата да „запомня“ всичко, което е научила по време на съответната сесия в чата. Колкото по-дълго взаимодействате с нея, толкова по-умна става тя.

Вече се предоставя от 2.0 Flash Thinking (експериментален)

Когато я стартирахме през декември, функцията Deep Research се предоставяше от Gemini 1.5 Pro. С въвеждането на 2.0 Flash Thinking (експериментален) успяхме драматично да подобрим както качеството, така и ефективността на отговорите на продукта. С моделите Thinking Gemini има нужда от повече време, за да планира подхода си, преди да предприеме следващите си стъпки. Тази вродена възможност за самоанализ и планиране прави съответните модели идеални за този тип продължителни агентни задачи. В резултат на това Gemini вече се справя още по-добре във всеки един етап от проучванията и предоставя по-подробни доклади. Същевременно ефективността на модела Flash при изчисляване ни дава възможност да разширим достъпа до Deep Research до много повече потребители. Много ни вълнува разработването на моделите Flash и Thinking и очакваме Deep Research да продължава да се подобрява.

Какво следва

Изградихме системата така, че да бъде универсална. Това означава, че с течение на времето можем да разширяваме възможностите ѝ, като ви дадем повече контрол върху това какво може да преглежда, което пък ще разреши достъпа до източници, различни от отворената мрежа.

Нямаме търпение да видим как хората използват Deep Research, а тази реална практическа работа ще определи как ще разработваме и подобряваме Deep Research занапред. Крайната ни цел е изцяло агентен и универсално полезен асистент с AI.