Как анализировать технические документы с помощью Deep Review

Проверка документов с Deep Review

Генеративный ИИ ускорил работу во многих технических областях. Теперь его часто используют при написании научных статей и технических документов, запуске кода, разработке экспериментов и подготовке предложений. Но вместе с ростом объёма материалов не увеличились возможности людей проверять их. Для оценки длинных научных рукописей и сложных юридических соглашений нужны специальные знания. Возникает узкое место: информацию создают быстрее, чем успевают тщательно проверить.

Google объявила об открытом запуске Deep Review — системы на основе ИИ-агентов, которая проверяет сложные документы и даёт подробную обратную связь. Изначально её создавали для анализа научных статей по информатике, но теперь она работает и с документами из других областей, включая право и финансы. Сервис можно использовать, чтобы улучшать черновик в ходе написания, а также проверять ход научной работы, утверждения и оценки при рецензировании.

Deep Review развивает экспериментальный инструмент Paper Assistant Tool (PAT), созданный для проверки рукописей перед отправкой на конференции. За последний год Google сотрудничала с четырьмя крупными конференциями по информатике — STOC 2026, ICML 2026, NeurIPS 2026 и ICLR 2027. Авторы более 16 000 рукописей согласились получить закрытую обратную связь до подачи. Подробнее о PAT и пилотных проектах Google рассказала в работе «Towards Automating Scientific Review with Google’s Paper Assistant Tool».

Сервис Deep Review теперь доступен по всему миру:

Как Deep Review ускоряет техническую проверку

Проблема особенно заметна в научном рецензировании: число подач в научные издания растёт, особенно в сфере исследований ИИ. В этом году три крупные конференции по ИИ — ICLR, NeurIPS и ICML — получили более 74 000 работ. Для сравнения: в 2025 году было около 45 000 подач, в 2024-м — 32 000, а в 2023-м — 23 000. Для каждой работы нужны несколько качественных рецензий, что увеличивает нагрузку на экспертов.

Источник: research.google

Deep Review призвана снизить нагрузку на рецензентов в технических областях. Она подробно и беспристрастно оценивает документы: проверяет связность рассуждений и математические утверждения, предлагает улучшения, подтверждает факты и сопоставляет работу с существующими исследованиями. Сервис берёт на себя часть наиболее трудоёмкой проверки, оставляя людям оценку работы в целом.

Опыт научного рецензирования

До запуска Deep Review проходила испытания и применялась в пилотных проектах под прежним названием — Paper Assistant Tool (PAT). Они проходили вместе с четырьмя крупными конференциями по информатике: STOC 2026, ICML 2026, NeurIPS 2026 и ICLR 2027. За несколько недель до срока подачи авторы могли согласиться получить через PAT разбор своей статьи и обратную связь. Целью было дать им конкретные рекомендации, которые помогут улучшить работу перед подачей. Эта обратная связь не была связана с официальным рецензированием конференций. PAT не собирала данные для обучения, а после завершения каждой программы Google оперативно удаляла статьи из своих систем.

Авторы отзывались об инструменте очень положительно. Google связывает это в том числе с постоянным улучшением базовых моделей и системы PAT. Теперь Deep Review поддерживает Gemini 4 Argon, что дополнительно расширило возможности инструмента по сравнению с ранними версиями PAT, описанными ниже.

Источник: research.google

Как работает Deep Review

Одиночный запрос к языковой модели часто не подходит для оценки длинных и сложных документов: модели может не хватить бюджета на рассуждения, она может упустить связи между удалёнными разделами или принять тонкое утверждение без тщательной проверки. Deep Review решает эти задачи с помощью четырёхэтапного пайплайна на основе ИИ-агентов:

Проверка документов за пределами научных статей

Deep Review создавали для научных статей, но проверку длинных документов можно применять и в других областях. Механизмы, которые помогают оценить математическое доказательство, могут выявлять логические пробелы и противоречия в документах, где утверждения должны подтверждаться доказательствами. Поэтому Deep Review можно использовать для структурированной проверки и в повседневной работе.

Теперь сервис помогает анализировать сложные документы из разных областей:

Deep Review и Antigravity

Google также представила шаблон проверки больших документов Teamwork Deep Document Review Pattern. Его создали по мотивам Deep Review и встроили в Antigravity с использованием фреймворка для координации мультиагентной работы Teamwork. Шаблон предназначен для систематической проверки научных статей, черновиков рукописей и технических предложений. В нём используется иерархия ИИ-агентов с самопроверкой и критериями оценки для отдельных частей документа. Пользователи Antigravity могут вызвать шаблон командой /teamwork-preview.

Доступ к качественной технической проверке

В информатике всесторонняя проверка работы перед подачей обычно требует доступа к широкой сети рецензентов: опытным преподавателям, хорошо обеспеченным академическим лабораториям или большим сообществам коллег. Надёжная автоматическая проверка логики может помочь большему числу учёных проверять свои утверждения, находить устранимые недостатки и улучшать документы на основе подтверждённых данных. Так авторы смогут увереннее представлять свои работы на рецензирование.

Как начать

Исследователи, инженеры и авторы могут попробовать Deep Review:

Дальнейшее развитие

По мнению Google, опыт пилотных проектов с научными конференциями показывает, что в ближайшие годы подобные инструменты будут заметно влиять на рецензирование, помогая и авторам, и рецензентам.

Компания продолжает расширять возможности платформы. Поддержка Gemini 4 Argon улучшает базовые возможности Deep Review и повышает качество обратной связи и анализа для авторов. Вскоре появится поддержка нескольких файлов: пользователи смогут одновременно проверять согласованность целых наборов связанных документов, таблиц и приложений. Google рассчитывает, что эти изменения сделают качественную техническую проверку доступнее для специалистов, работающих с информацией.

Благодарности

Deep Review — совместный проект Google Research, Google DeepMind и Google Cloud. Google поблагодарила основных участников и научных коллег: Сантьяго Бальсейро, Тайлана Джемгиля, Томмазо Д’Орси, Кирка Дрейхема, Линди Эмуонгу, Айше Эрдюран, Палаша Гояла, Кэролайн Хартнелл, Шобану Каннан, Эми Килинг, Сийи Коу, Бриджит Ли, Иэна Ли, Анушку Мазумдар, Тейлора Монтгомери, Муада Насири, Учэ Оконкво, Михира Парма, Энтони Фалена, Рори Пилигрима, Сару Пресотто Пост, Роба Тирни, Дрю Тайлера, Вишну В., Вахаба Миррокни, Лору Вардоулакис, Йоханнеса Вельбля, Дэвида Вудраффа, Юньханя Сюя и Джинсуна Юна. Также компания поблагодарила руководителей проекта Кэтрин Чоу, Коринну Кортес, Бурака Гоктурка, Вахаба Миррокни, Томаса Пфистера и Йосси Матиаса, а также программных председателей STOC, ICML, NeurIPS и ICLR за сотрудничество.