谷歌DeepMind,作为Alphabet公司的人工智能研究部门,今日宣布推出Gemini 2.5 Deep Think,这是一款全新的创造性问题解决AI模型。
该公司表示,该模型能够通过同时考虑多个想法并选择最佳答案来解决复杂问题。这项新工具将在Gemini应用中向Google AI Ultra订阅用户提供,月费为250美元。
谷歌表示,该模型延长了Gemini模型的并行"思考时间"。就像人们通过从不同角度审视复杂问题来探索解决方案一样,Deep Think通过生成和同时考虑多种变化来处理问题。它还可以在得出结论之前将不同想法结合起来。
Deep Think团队表示:"通过延长推理时间或'思考时间',我们给Gemini更多时间来探索不同假设,并为复杂问题找到创造性解决方案。"
团队还开发了新的强化学习技术,这是一种AI训练模型,旨在鼓励模型仔细考虑问题。这使得Deep Think成为一个更直观的问题解决者。
Deep Think可用于迭代开发和设计,例如创意项目或复杂开发任务。团队指出,它在研究和数学学习方面也表现出色,是科学领域的优秀工具,在问题表述可能成为棘手话题的困难编程问题上表现非常出色。
团队表示:"我们对Deep Think在需要逐步构建复杂事物的任务上的表现印象深刻。例如,我们观察到Deep Think可以改善网页开发任务的美学和功能性。"
这个新模型的发布是在早期版本在今年国际数学奥林匹克竞赛中达到金牌标准之后。尽管那个版本需要数小时来推理复杂的数学问题,但今天发布的版本旨在更适用于日常创造性思维,同时提供铜牌级别的性能。
团队表示,Deep Think的性能在衡量编程、科学知识和推理能力的挑战性基准测试中脱颖而出。例如,在不使用工具的情况下,Gemini 2.5 Deep Think在衡量代码性能的LiveCodeBench V6以及挑战科学和数学等广泛知识领域专业技能的"人类最后考试"基准测试中表现出色。
拥有Deep Think访问权限的Gemini应用用户可以在模型下拉菜单中选择2.5 Pro时,在提示栏中切换启用该功能。它自动配合代码执行和谷歌搜索等工具,并能产生更长的响应。
该公司表示,正在努力在未来几周内通过Gemini应用程序编程接口向受信任的测试者发布带有和不带有工具的Deep Think版本。
Q&A
Q1:Gemini 2.5 Deep Think有什么特别之处?
A:Gemini 2.5 Deep Think是谷歌推出的创造性问题解决AI模型,它能通过延长"思考时间"来同时考虑多个想法,就像人类从不同角度探索复杂问题一样,最终选择最佳答案来解决复杂问题。
Q2:Deep Think在哪些领域表现突出?
A:Deep Think在多个领域表现出色,包括迭代开发和设计、创意项目、复杂开发任务、研究和数学学习、科学研究以及困难的编程问题。它还能改善网页开发任务的美学和功能性。
Q3:如何获得Deep Think的使用权限?
A:目前Deep Think在Gemini应用中向Google AI Ultra订阅用户提供,月费为250美元。用户可以在模型下拉菜单中选择2.5 Pro时,在提示栏中切换启用该功能。谷歌计划未来几周通过API向受信任测试者发布。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。