Gemini Deep Research

Een agentisch systeem

Om Deep Research te kunnen bouwen, hebben we een nieuw planningssysteem ontwikkeld waarmee de Gemini-app complexe problemen kan beredeneren. Voor Deep Research trainden we Gemini-modellen in het volgende:

• Het probleem opsplitsen: Wanneer een gebruiker een complexe vraagt stelt, formuleert het systeem eerst een uitgebreid onderzoeksplan. Hierbij wordt het probleem opgesplitst in een serie kleinere, beter beheersbare subtaken. Jij bent de baas over het plan: Gemini presenteert het plan aan jou, waarna jij het kunt verfijnen om te zorgen dat het op de juiste onderwerpen focust.

• Onderzoek: Het model overziet de uitvoering van dit plan en bepaalt op intelligente wijze welke subtaken tegelijkertijd kunnen worden aangepakt en welke subtaken vervolgens aan de beurt zijn. Het model kan tools gebruiken als zoeken en browsen op het web om informatie op te halen en er vervolgens over te redeneren. Bij elke stap redeneert het model over de beschikbare informatie om de volgende stap te bepalen. We hebben een denkvenster geïntroduceerd, zodat gebruikers kunnen volgen wat het model tot dan toe heeft geleerd en wat de volgende stap zal zijn.

• Synthese: Als het model eenmaal heeft bepaald dat er voldoende informatie is verzameld, voegt het de bevindingen samen tot een uitgebreid rapport. Tijdens het samenstellen van het rapport evalueert Gemini de informatie kritisch, identificeert het belangrijke thema's en inconsistenties en geeft Gemini het rapport een logische en informatieve structuur. Gemini kijkt ook verschillende malen zelf kritisch naar het gemaakte rapport om de duidelijkheid en details te verbeteren.

Nieuwe categorie, nieuwe problemen, nieuwe oplossingen

Tijdens de ontwikkeling van Deep Research werden we met drie belangrijke technische uitdagingen geconfronteerd:

Planning in meerdere stappen

Onderzoekstaken vereisen planning met herhaling van meerdere stappen. Het model moet bij elke stap stilstaan bij de tot dan toe verzamelde informatie, identificeren welke informatie er ontbreekt en welke afwijkingen het verder moet onderzoeken. En dat alles terwijl het afwegingen moet maken tussen uitgebreidheid en berekenings- en wachttijd voor de gebruiker. Door het model zodanig te trainen dat het op een effectieve en gegevensefficiënte wijze meerdere lange stappen kan plannen, hebben we ervoor gezorgd dat de Deep Research-functie over alle onderwerpen en in een open domein kan functioneren.

Langdurige gevolgtrekkingen

Tijdens een typische Deep Research-taak neemt het model gedurende verscheidene minuten meerdere keren een beslissing. Dit creëert een uitdaging voor de ontwikkelaars: het model moet zodanig worden ontwikkeld dat de taak na één misser niet weer van voren af aan hoeft te worden gestart.

Hiertoe ontwikkelden we een nieuw asynchroon taakbeheer dat een gedeelde staat tussen de planner en de taakmodellen handhaaft, voor een graceful foutherstel zonder dat de taak helemaal opnieuw hoeft te worden gestart. Dit systeem is daadwerkelijk asynchroon: je kunt naar een andere app gaan of je computer na het beginnen van een Deep Research-project letterlijk uitzetten. De volgende keer dat je Gemini opent, krijg je een melding wanneer je onderzoek is voltooid.

Contextbeheer

Gedurende een onderzoekssessie kan Gemini wel honderden pagina's aan content verwerken. Om de continuïteit te handhaven en opvolgende vragen mogelijk te maken, gebruiken we het toonaangevende contextvenster met 1 miljoen tokens van Gemini, aangevuld met een RAG-configuratie. Hierdoor kan het systeem alles 'onthouden' wat het tijdens de chatsessie heeft geleerd, zodat het ook steeds slimmer wordt naarmate je er meer interactie mee hebt.

Nu aangestuurd door 2.0 Flash Thinking (experimenteel)

Toen Deep Research in december uitkwam, werd het aangestuurd door Gemini 1.5 Pro. Met de introductie van Gemini 2.0 Flash Thinking (experimenteel) konden we zowel de kwaliteit als de efficiëntie van dit product drastisch verbeteren. Bij denkmodellen heeft Gemini meer tijd nodig om de aanpak te plannen voordat het volgende stappen zet. Dit ingebouwde kenmerk van zelfreflectie en planning maakt Gemini een geweldig model voor dit soort langlopende agentische taken. We merken ook dat Gemini nu zelfs nog beter is in alle onderzoeksfasen en meer gedetailleerde rapporten aflevert. En bovendien kunnen we dankzij de berekeningsefficiëntie van het Flash-model de toegang tot Deep Research uitbreiden naar veel meer gebruikers. We zijn bijzonder trots op onze ontwikkeling van flash- en denkmodellen in het algemeen en verwachten dat Deep Research steeds beter zal worden.

Wat nu?

Het systeem is veelzijdig, dus we kunnen de mogelijkheden ervan in de loop van de tijd uitbreiden door jou meer controle te geven over waar de informatie vandaan komt en bronnen te bieden buiten het open web.

We vinden het interessant om te merken hoe mensen Deep Research gebruiken en we blijven Deep Research op basis van deze praktische ervaringen verder ontwikkelen en verbeteren. Ons uiteindelijke doel is een echt agentische en universeel nuttige AI-assistent ontwikkelen.