Gemini Deep Research

Egy ügynöki rendszer

A Deep Research megalkotása érdekében egy olyan új tervezési rendszert fejlesztettünk ki, amely lehetővé teszi összetett problémák kezelését a Gemini app számára. A Deep Research esetében úgy tanítottuk a Gemini-modelleket, hogy képesek legyenek a következőkre:

• A probléma felbontása: Amikor összetett felhasználói lekérdezést kap, a rendszer először összeállít egy részletes kutatási tervet úgy, hogy a problémát kisebb és könnyebben kezelhető részfeladatokra szedi szét. A terv az Ön irányítása alatt áll: a Gemini megmutatja, Ön pedig finomíthatja, hogy biztosan a megfelelő területekre fókuszáljon.

• Kutatás: A modell felügyeli a terv végrehajtását, és intelligensen megállapítja, hogy mely részfeladatokat lehet egyszerre menedzselni, és melyeket kell egymás után elvégezni. A modell egyebek mellett keresés és webes böngészés segítségével gyűjtheti és gondolhatja végig az információkat. Mindegyik lépésnél átgondolja a rendelkezésre álló információkat, hogy eldöntse, mi legyen a következő cselekvés. Bevezettük a gondolatmenetet bemutató panelt, ahol a felhasználók nyomon követhetik, hogy a modell mit talált eddig, illetve mit szándékozik tenni a következő lépésben.

• Összegzés: Amikor a modell úgy dönt, hogy elég információt gyűjtött össze, akkor a talált ismereteket összefoglalja egy átfogó jelentésben. A jelentés összeállításakor a Gemini kritikusan kiértékeli az információkat, azonosítja a fontosabb témákat és következetlenségeket, logikus és informatív módon kialakítja a jelentés struktúráját, és még több önkritikus lépést is elvégez, hogy minél egyértelműbb és részletesebb eredményt biztosíthasson.

Új kategória, új problémák, új megoldások

A Deep Research elkészítésekor három jelentős technológiai kihívással kellett megbirkóznunk:

Többlépéses tervezés

A kutatási feladatoknál többlépéses iteratív tervezésre van szükség. A modellnek minden lépésnél alá kell támasztania az addig összegyűjtött információkat, majd ki kell találnia, hogy milyen hiányzó információkra és ellentmondásokra kell még fókuszálnia – miközben meg kell találnia az egyensúlyt a minden részletre kiterjedő kutatási idő, valamint a számítási és a felhasználói várakozási idő között. Mivel a modellt úgy tanítottuk, hogy adathatékony módon legyen képes a hosszabb, több lépésből álló tervezésre, el tudtuk érni, hogy a Deep Research bármilyen témakört tekintve működjön (ezt „open domain” rendszernek nevezik).

Hosszú levezetések

Egy átlagos Deep Research-feladat során számos modellhívás történik több percen át. Ez azért jelent kihívást az ügynökök létrehozásakor, mert úgy kell kialakítani őket, hogy egyetlen hiba miatt ne kelljen az egész feladatot elölről kezdeni.

Ennek a kihívásnak a kezelése érdekében egy olyan újszerű, aszinkron feladatkezelőt fejlesztettünk, amely megosztott állapotot tart fenn a tervezési és a feladatmodell között, ami megengedőbb hiba utáni helyreállítást tesz lehetővé a teljes feladat újrakezdése nélkül. Ez a rendszer ténylegesen aszinkron módon működik: egy Deep Research-projekt elindítása után Ön átválthat egy másik alkalmazásra, vagy akár ki is kapcsolhatja a számítógépét, és amikor legközelebb újra felkeresi a Geminit, értesítést fog kapni arról, hogy befejeződött a kutatás.

Kontextuskezelés

Egy adott kutatási munkamenet során a Gemini akár több száz oldalnyi tartalmat is feldolgozhat. A folytonosság fenntartása és kiegészítő kérdések feltételének lehetővé tétele érdekében a Gemininek az ágazatban egyedülálló, egymillió tokenes kontextusablakát RAG (Retrieval-Augmented Generation, azaz adatlekérésre alapozott generálás) módszerrel kiegészítve használjuk. Ez lényegében lehetővé teszi a rendszer számára, hogy „emlékezzen” mindenre, amit az adott csevegési munkamenet során megtanult, így minél hosszabban végeznek vele interakciókat, annál okosabb lesz.

Most már a 2.0 Flash Thinking (kísérleti) modellen alapul

Amikor decemberben elindítottuk a Deep Research funkciót, akkor még a Gemini 1.5 Pro modellen alapult. A Gemini 2.0 Flash Thinking (kísérleti) modell bevezetésével jelentős mértékben növelni tudtuk mind a termék minőségét, mind a kiszolgálási hatékonyságát. A Thinking modelleknek köszönhetően a Gemini több időt szán a megközelítése megtervezésére, mielőtt belefogna a következő lépésbe. Ez az alapból meglévő önreflektív és tervező jelleg kiválóan alkalmassá teszi az ilyen hosszan futó ügynöki feladatok elvégzésére. Tapasztalataink alapján a Gemini most még jobban teljesít a kutatás minden fázisában, és részletesebb jelentéseket biztosít. Ugyanakkor a Flash modell számítási hatékonyságának köszönhetően jóval több felhasználónak tudunk hozzáférést biztosítani a Deep Research-höz. Nagyon izgatottak vagyunk a Flash és a Thinking modell általános fejlesztését illetően, és arra számítunk, hogy a Deep Research idővel egyre jobb és jobb lesz.

Mi a következő lépés?

A rendszert úgy alakítottuk ki, hogy sokoldalú legyen, ezért később ki tudjuk bővíteni a képességeit, hogy nagyobb irányítást adjunk az Ön kezébe annak tekintetében, hogy hol böngésszen, valamint hogy képes legyen a nyílt interneten nem megtalálható források között is keresni.

Kíváncsian várjuk, hogy az emberek hogyan fogják használni a Deep Research funkciót, és a valós felhasználásból származó tapasztalatok segíteni fognak nekünk annak eldöntésében, hogyan fejlesszük tovább a Deep Research-öt. A végső célunk az, hogy egy ténylegesen ügynöki jellegű és általánosan hasznos AI-alapú asszisztens legyen belőle.