‫Gemini Deep Research

یک سیستم عامل‌گرا

برای ساخت Deep Research، سیستم طرح‌ریزی جدیدی را توسعه دادیم که به برنامه Gemini امکان می‌دهد مسائل پیچیده را حل کند. برای Deep Research، ما مدل‌های Gemini را برای این قابلیت‌ها آموزش دادیم:

• تفکیک مسئله: هرگاه با پُرسمان پیچیده‌ای ازسوی کاربر مواجه می‌شود، سیستم ابتدا طرح پژوهشی مفصلی را فرمول‌بندی می‌کند که مسئله را به مجموعه‌ای از وظایف فرعی کوچک‌تر و قابل‌مدیریت تقسیم می‌کند. کنترل این طرح در دست شما است: Gemini این طرح را به شما ارائه می‌کند و شما می‌توانید آن را پالایش کنید تا مطمئن باشید بر جنبه‌های درست تمرکز می‌کند.

• پژوهش: مدل بر اجرای این طرح نظارت دارد و هوشمندانه تعیین می‌کند کدام وظایف فرعی را می‌توان هم‌زمان انجام داد و کدام باید به‌ترتیب انجام شوند. مدل می‌تواند از ابزارهایی مثل جستجو و مرور کردن وب برای واکشی کردن اطلاعات و استدلال کردن آن‌ها استفاده کند. در هر مرحله، مدل اطلاعات دردسترس را استدلال می‌کند تا برای حرکت بعدی خود تصمیم‌گیری کند. ما یک پانل تفکر برای کاربران معرفی کردیم تا آنچه را که مدل تاکنون آموخته است و آنچه را که می‌خواهد در قدم بعدی انجام دهد دنبال کنند.

• هم‌گذاری: پس‌از آنکه مدل تشخیص داد اطلاعات کافی جمع‌آوری شده است، یافته‌های خود را در قالب گزارش جامعی هم‌گذاری می‌کند. طی ساخت گزارش، Gemini موشکافانه اطلاعات را ارزیابی می‌کند، موضوعات کلیدی و ناسازگاری‌ها را شناسایی می‌کند، و گزارش را به‌شیوه‌ای منطقی و آموزنده ساختاربندی می‌کند، حتی چندین روند خودانتقادی را برای بهبود شفافیت و جزئیات طی می‌کند.

دسته جدید، مسائل جدید، راه‌حل‌های جدید

طی ساخت Deep Research، باید بر سه چالش فنی مهم غلبه می‌کردیم:

طرح‌ریزی چندمرحله‌ای

وظایف پژوهشی به چندین مرحله طرح‌ریزی تکرارشونده نیاز دارند. در هر مرحله، مدل باید خودش را براساس همه اطلاعاتی که تا آن مرحله جمع‌آوری کرده است متمرکز کند، سپس اطلاعات مفقود و مغایرت‌هایی را که می‌خواهد کاوش کند مشخص کند — همه این کارها به‌صورتی انجام می‌شود که تعادل بین جامع بودن پژوهش و زمان انتظار کاربر و محاسبه نیز حفظ شود. آموزش مدل برای مؤثر بودن در طرح‌ریزی چند مرحله‌ای طولانی به‌شیوه‌ای که از نظر داده کارآمد باشد به ما امکان داد تا عملکرد Deep Research را در یک محیط دامنه باز برای همه موضوعات ایجاد کنیم.

استنباط طولانی‌مدت

یک تکلیف معمول Deep Research شامل تعداد زیادی فراخوانی مدل در عرض چند دقیقه است. این کار چالشی برای ساخت عامل‌ها به‌وجود می‌آورد: یک عامل باید به‌گونه‌ای ساخته شود که یک شکست واحد به‌معنای نیاز به شروع مجدد وظیفه از ابتدا نباشد.

برای چاره‌جویی این موضوع، یک مدیر وظایف ناهم‌زمان جدید توسعه دادیم که حالت مشترکی را بین مدل‌های طرح‌ریز و انجام وظیفه حفظ می‌کند و امکان بازیابی خوشایند خطا را بدون نیاز به راه‌اندازی مجدد کل وظیفه فراهم می‌آورد. این سیستم واقعاً ناهم‌زمان است: می‌توانید پس‌از شروع پروژه Deep Research به برنامه دیگری بروید یا رایانه خود را واقعاً خاموش کنید و دفعه بعد که از Gemini بازدید می‌کنید، زمان اتمام پژوهش به شما اطلاع داده خواهد شد.

مدیریت بافت

درطول یک جلسه پژوهش، Gemini می‌تواند صدها صفحه محتوا را پردازش کند. برای حفظ کردن پیوستگی و ایجاد امکان پرسش‌های تعقیبی، ما از پنجره زمینه‌ای ۱ میلیون داده‌واحد Gemini استفاده می‌کنیم که علاوه‌بر اینکه خود پیشرو در صنعت است با یک برپایش (یا تنظیم) RAG تکمیل شده است. این قابلیت به‌طور مؤثر به سیستم امکان می‌دهد هر آنچه را که درطول آن جلسه گپ آموخته است «به‌خاطر بسپارد» و باعث شود هر چه تعامل طولانی‌تری با آن داشته باشد هوشمندتر شود.

اکنون از ‎2.0 Flash Thinking (آزمایشی) بهره می‌گیرد

زمانی که Deep Research در ماه دسامبر راه‌اندازی شد از Gemini 1.5 Pro بهره می‌گرفت. با معرفی Gemini 2.0 Flash Thinking (آزمایشی) توانستیم به‌طور چشمگیری هم کیفیت و هم کارآمدی سرویس‌دهی این محصول را بهبود ببخشیم. با مدل‌های تفکری، Gemini زمان بیشتری را صرف طرح‌ریزی رویکرد خود می‌کند و سپس به‌سوی مراحل بعدی پیش می‌رود. این خصوصیت ذاتی خوداندیشی و طرح‌ریزی آن را برای انجام این نوع وظایف طولانی‌مدت عامل‌گرا مناسب می‌کند. چیزی که ما می‌بینیم این است که اکنون Gemini در همه مراحل پژوهش حتی بهتر عمل می‌کند و گزارش‌های مفصل‌تری ارائه می‌دهد. درعین‌حال، کارآمدی محاسباتی مدل Flash به ما امکان می‌دهد دسترسی به Deep Research را برای کاربران بسیار بیشتری ممکن سازیم. به‌طورکلی، ما واقعاً برای توسعه مدل‌های Flash و Thinking هیجان داریم و انتظار داریم Deep Research بهتر و بهتر شود.

حالا چه می‌شود

ما این سیستم را به گونه‌ای ساخته‌ایم که تطبیق‌پذیر باشد، بنابراین با گذشت زمان با دادن کنترل بیشتر به شما بر مواردی که می‌تواند مرور کند و فراهم آوردن دسترسی سیستم به منابعی فراتر از وب باز می‌توانیم قابلیت‌های آن را گسترش دهیم.

مشتاقیم ببینیم کاربران چطور از Deep Research استفاده می‌کنند و این تجربه‌های جهانِ واقعی مسیری را که ما برای ساخت و توسعه Deep Research ادامه می‌دهیم شکل می‌دهد. در نهایت، هدف ما یک دستیار هوش مصنوعی واقعاً عامل‌گرا است که برای همگان جهانی مفید باشد.