Gemini Deep Research

Ein agierendes System

Für Deep Research haben wir ein völlig neues System zur strategischen Planung entwickelt, das es der Gemini App ermöglicht, komplexe Probleme zu behandeln. Die Gemini-Modelle für Deep Research wurden in Bezug auf folgende Punkte trainiert:

• Aufgaben unterteilen: Wenn Nutzerinnen und Nutzer eine komplexe Frage stellen, erstellt das System einen umfangreichen Rechercheplan und unterteilt das Problem in mehrere kleine Aufgaben. Du hast die Kontrolle über die Recherche – Gemini zeigt dir den Plan und du kannst ihn anpassen, damit der Fokus auf den richtigen Punkten liegt.

• Recherche: Bei der Ausführung des Plans erkennt das Modell automatisch, ob Aufgaben zur selben Zeit oder nacheinander erledigt werden müssen. Es ruft Informationen über Tools wie die Google Suche ab und durchsucht Websites. Die KI analysiert bei jedem Schritt die verfügbaren Informationen, um zu entscheiden, was als Nächstes passiert. Nutzerinnen und Nutzer können in Echtzeit den Verlauf der Recherche verfolgen.

• Synthese: Wenn das Modell feststellt, dass ausreichend Informationen gefunden wurden, werden sie zu einem Bericht zusammengefasst. Gemini prüft die gefundenen Inhalte kritisch, um die wichtigsten Punkte und mögliche Unstimmigkeiten zu finden – so kann der Bericht auf logische Weise strukturiert und informativ gestaltet werden. Gemini kann sogar das Ergebnis selbstständig überarbeiten, um Verständlichkeit und Informationsgrad zu optimieren.

Neue Kategorie, neue Probleme, neue Lösungen

Bei der Entwicklung von Deep Research mussten wir drei technische Hürden bewältigen:

Mehrstufige Planung

Rechercheaufgaben erfordern mehrere iterative Schritte zur Planung. Das Modell muss bei jedem Schritt die gefundenen Inhalte überprüfen, fehlende Informationen identifizieren und mögliche Unstimmigkeiten genauer untersuchen – dies ist ein Balanceakt zwischen Informationsgrad, Rechenleistung und Wartezeiten für Nutzerinnen und Nutzer. Das Modell wurde speziell für die Erstellung mehrstufiger Recherchepläne trainiert, sodass Deep Research auf effiziente Weise Berichte zu allen möglichen Themen generieren kann.

Umfassende Schlussfolgerungen

Bei der Verwendung von Deep Research werden die KI-Modelle von Gemini in der Regel mehrmals aufgerufen. Damit das reibungslos funktioniert, muss die KI so entwickelt werden, dass einzelne Fehler nicht sofort zum Neustart des gesamten Ablaufs führen.

Wir haben deshalb einen asynchronen Task-Manager entwickelt, der die Modelle für Planung und Durchführung aufeinander abstimmt – so können Fehler graduell behoben werden. Das System läuft sogar so asynchron, dass Nutzerinnen und Nutzer ein Deep Research-Projekt starten und anschließend einfach ihren Computer ausschalten können – sie werden dann, wenn sie Gemini das nächste Mal öffnen, benachrichtigt, wenn die Recherche abgeschlossen ist.

Kontextverwaltung

Während der Recherche kann Gemini Hunderte von Webseiten analysieren. Damit die Kontinuität gewahrt bleibt und Nutzerinnen und Nutzer weiterführende Fragen stellen können, verwendet Gemini ein branchenführendes Kontextfenster mit einer Million Tokens und RAG-Konfiguration. So kann sich das System länger an die Rechercheergebnisse einer Chatsitzung erinnern – und je länger Nutzerinnen und Nutzer mit der KI interagieren, desto smarter wird sie.

Jetzt mit 2.0 Flash Thinking (experimentell)

Als Deep Research im Dezember veröffentlicht wurde, basierte das Feature auf Gemini 1.5 Pro. Mit Gemini 2.0 Flash Thinking (experimentell) konnten wir die Leistung und Effizienz noch weiter steigern. Mit denkenden, für Recherche optimierten Modellen kann Gemini noch gründlicher planen, bevor es den nächsten Schritt ausführt. Durch Selbstreflexion eignen sich Thinking-Modelle ideal für längere agierende Aufgaben. Gemini kann so jetzt besser recherchieren und noch umfangreichere Berichte erstellen. Da Flash-Modelle hinsichtlich der Rechenleistung besonders effizient sind, können wir Deep Research nun noch mehr Nutzerinnen und Nutzern zur Verfügung stellen. Wir werden unsere Flash- und Thinking-Modelle weiter verbessern, damit Deep Research in Zukunft noch leistungsstärker wird.

Nächste Schritte

Wir haben ein flexibles System entwickelt, damit wir den Funktionsumfang in Zukunft erweitern können. So entstehen noch mehr Möglichkeiten, die Recherche auf Quellen jenseits des Internets auszuweiten.

Wir freuen uns darauf, zu sehen, wie Nutzerinnen und Nutzer Deep Research in der Praxis anwenden werden, damit wir das Feature zukünftig noch weiter an ihre Anforderungen anpassen können. Unser Ziel ist es, unseren KI-Assistenten zu einem wahren Agent zu machen, der überall unterstützend herangezogen werden kann.