Gemini Deep Research

Et agentisk system

For at skabe Deep Research udviklede vi et nyt planlægningssystem, der gør det muligt for Gemini-appen at arbejde sig igennem komplekse problemer. I forbindelse med Deep Research trænede vi Gemini-modeller til at kunne:

• Isolere problemet: Når systemet præsenteres for en kompleks brugerforespørgsel, udarbejder systemet først en detaljeret forskningsplan, hvor problemet opdeles i en række mindre, håndterbare delopgaver. Du styrer planen: Gemini præsenterer den for dig, og du kan justere den for at sikre, at den fokuserer på de ting, du ønsker.

• Forske: Modellen styrer effektivt udførelsen af planen og træffer intelligente beslutninger om, hvilke delopgaver der kan løses parallelt, og hvilke der skal klares sekventielt. Modellen kan bruge værktøjer såsom søgning og webbrowsing til at hente oplysninger og ræsonnere over dem. I alle faser ræsonnerer modellen over tilgængelige oplysninger for at beslutte, hvad den skal gøre efterfølgende. Vi har introduceret et tænkepanel til brugerne, hvor de kan se, hvad modellen har lært indtil videre, og hvad den har tænkt sig at gøre som det næste.

• Sammenfatte: Når modellen vurderer, at der er indsamlet en tilstrækkelig mængde oplysninger, sammenfatter den resultaterne i en omfattende rapport. Under udformningen af rapporten evaluerer Gemini kritiske oplysninger, identificerer vigtige temaer og uoverensstemmelser og strukturerer rapporten på en logisk og informativ måde. Modellen gennemgår endda flere niveauer af selvkritik for at sikre maksimal klarhed og nøjagtighed.

Ny kategori, nye problemer og nye løsninger

Under udviklingen af Deep Research skulle vi overvinde tre væsentlige tekniske udfordringer:

Planlægning i flere etaper

Forskningsopgaver kræver flere etaper, hvor planlægningen gennemgås. I alle faser skal modellen forholde sig til al den information, der er indsamlet indtil videre, og identificere manglende oplysninger samt uoverensstemmelser, den vil undersøge – alt imens den afvejer grundighed mod ventetid for brugeren og databehandlingen. Takket være muligheden for at træne modellen til at være effektiv til at planlægge i flere etaper lykkedes det os at få Deep Research til at fungere i et åbent domænemiljø og med alle emner.

Vedvarende analyse

Ved en typisk Deep Research-opgave skal modellen kalde mange gange og i flere minutter. Dette præsenterer en udfordring for udviklingen af agenter: De skal bygges på en måde, så en enkelt fejl ikke betyder, at opgaven skal startes forfra.

For at løse dette problem har vi udviklet en innovativ asynkron opgavestyringsfunktion, der bevarer en fælles tilstand mellem planlægnings- og opgavemodellerne, hvilket gør det muligt at rette fejl effektivt – uden at skulle starte opgaven forfra. Dette system er fuldt ud asynkront: du kan skifte til en anden app eller helt bogstaveligt slukke for din computer, efter du har startet et Deep Research-projekt, og næste gang du besøger Gemini, vil du blive underrettet, når din forskning er klar.

Håndtering af kontekst

Gemini kan behandle hundredvis af sider i løbet af en forskningssession. For at sikre kontinuitet og muliggøre opfølgende spørgsmål bruger vi Geminis brancheførende kontekstvindue på 1 million tokens i samspil med en RAG-opsætning. Dette gør det muligt for systemet på effektiv vis at "huske" alt, hvad det har lært i en chatsession, så det bliver "klogere", jo længere du interagerer med det.

Kører nu på 2.0 Flash Thinking (eksperimentel)

Da Deep Research blev lanceret i december, kørte det på Gemini 1.5 Pro. Med introduktionen af Gemini 2.0 Flash Thinking (eksperimentel) kunne vi foretage gennemgribende forbedringer af både kvaliteten af og visningseffektiviteten i dette produkt. Med tænkende modeller tager det længere tid for Gemini at planlægge projektets indgangsvinkel, før Gemini går videre til næste trin. Denne iboende egenskab, dvs. selvrefleksion og planlægning, gør den helt perfekt til denne type vedvarende agentiske opgaver. Hvad vi ser nu, er at Gemini er endnu bedre i alle faser af forskningen og udarbejder mere detaljerede rapporter. Samtidig gør Flash-modellens effektive databehandling det muligt for os at udvide adgangen til Deep Research til mange flere brugere. Vi er glade og stolte over at udvikle Flash-modeller og tænkende modeller og forventer, at Deep Research bare bliver bedre og bedre.

Hvad er næste trin?

Vi har designet systemet til at være alsidigt, så vi løbende kan tilføje og forbedre dets funktioner ved at give dig mere kontrol over, hvad det kan browse, og ved at give det adgang til kilder, der ikke kun begrænser sig til det åbne net.

Vi glæder os til at se, hvordan folk bruger Deep Research, og disse oplevelser i den virkelige verden vil have indflydelse på, hvordan fortsætter med at udvikle og forbedre Deep Research. I sidste ende er vores mål at skabe en fuldt ud agentisk AI-assistent, der kan hjælpe i alle livets facetter.