Analyse technischer Dokumente mit Deep Review

Generative KI hat viele technische Bereiche beschleunigt. Es ist mittlerweile üblich, dass KI eine Rolle beim Verfassen wissenschaftlicher Arbeiten und technischer Dokumente, beim Ausführen von Code, beim Entwerfen von Experimenten und beim Erstellen von Vorschlägen spielt. Die Beschleunigung der Inhaltserstellung hat jedoch eine Überprüfungsproblematik geschaffen: Die menschliche Kapazität zur Verifikation ist angesichts dieser raschen Zunahme KI-generierter Inhalte weitgehend konstant geblieben. Die Überprüfung komplexer Dokumente wie langer wissenschaftlicher Manuskripte oder komplexer rechtlicher Vereinbarungen erfordert spezialisiertes Fachwissen und fortgeschrittene Sachkenntnis. Dieses Ungleichgewicht schafft eine Validierungsengpass„, wo Informationen schneller generiert werden, als sie gründlich überprüft werden können.“

Heute freuen wir uns, die öffentliche Veröffentlichung von ankündigen zu können Tiefgehende Überprüfung, ein agentic-KI-System, das darauf ausgelegt ist, gründliches Feedback und technische Verifikation für komplexe Dokumente bereitzustellen. Ursprünglich für die Analyse akademischer Arbeiten der Informatik entwickelt, haben sich die Fähigkeiten des Systems so erweitert, dass es Dokumente aus vielen Bereichen prüfen kann, etwa aus Recht und Finanzen. Es kann sowohl als iteratives Verbesserungswerkzeug während des Entwurfsprozesses als auch als Werkzeug zur wissenschaftlichen Überprüfung von Prozessen, Behauptungen und Bewertungen während des Review-Prozesses eingesetzt werden.

Deep Review stellt die Weiterentwicklung unseres Paper Assistant Tool (PAT) dar – einer experimentellen Initiative, die entwickelt wurde, um Forschenden zu helfen, Manuskripte vor der Einreichung bei Konferenzen auf Herz und Nieren zu prüfen. Im vergangenen Jahr haben wir mit vier flaggschiff-Konferenzen der Informatik zusammengearbeitet (STOC 2026, ICML 2026, NeurIPS 2026, und ICLR 2027) Autoren von mehr als 16,000 Manuskripten, die sich dazu angemeldet hatten, eine private, vor der Einreichung stattfindende Rückmeldung zu geben. Weitere Einzelheiten zu PAT und diesen Pilotprojekten finden sich in unserem Manuskript, Towards Automating Scientific Review with Googles Paper Assistant Tool.

Mit dieser Veröffentlichung ist Deep Review nun weltweit zugänglich:

• Gestaffelter Zugang und skalierbare API: Jeder Nutzer erhält zwei kostenlose Dokumentenüberprüfungen pro Woche. Nutzer mit hochvolumigen Workflows können ihren Gemini API key für höhere Nutzungslimits und eine programmatische Integration über die Deep Review API verbinden.
• Formatflexibilität: Deep Review wird zunächst PDFs und Klartext als Eingabeformate unterstützen, mit Unterstützung für Eingaben mehrerer Dateien, die in Kürze folgen wird.
• Datenschutz und Datenrichtlinie: Dokumente, die zu Deep Review hochgeladen werden, werden niemals zum Training, Fine-Tuning oder zur Verbesserung von Google-Modellen verwendet. Hochgeladene Dokumente werden für ein Jahr gespeichert, ausschließlich zu dem Zweck, sie dem Nutzer in der Deep Review UI anzuzeigen.

Deep Review beschleunigt die technische Validierung

Eines der bedeutendsten Beispiele für den Validierungsengpass liegt im akademischen Peer-Review. Dies zeigt sich im Anstieg der Einreichungen bei akademischen Publikationsveranstaltungen, insbesondere bei Veranstaltungen für KI-Forschung selbst, die einen dramatischen Anstieg verzeichnet haben. In diesem Jahr gab es über 74,000 Einreichungen bei drei großen KI-Konferenzen (ICLR, NeurIPSund ICML) ein Anstieg von etwa 45,000 im Jahr 2025, 32,000 im Jahr 2024 und 23,000 im Jahr 2023. Jede dieser Einreichungen erfordert mehrere hochwertige Gutachten, um die Integrität des Peer-Review-Prozesses sicherzustellen, was eine größere Belastung für menschliche Experten darstellen kann.

Anstieg der Einreichungen bei NeurIPS, ICML und ICLR zwischen 2023 und 2026.

Deep Review zielt darauf ab, diese wachsende Belastung der menschlichen Gutachter über technische Fachgebiete hinweg zu verringern. Durch detaillierte, objektive Bewertungen von Dokumenten überprüft Deep Review die logische Konsistenz und mathematische Aussagen, schlägt Verbesserungen vor, belegt Fakten und vergleicht mit bestehenden Arbeiten. Es übernimmt einige der kognitiv belastendsten Aspekte des Gutachtens, während übergeordnete Urteile den Menschen vorbehalten bleiben.

Eine nachgewiesene Erfolgsbilanz im wissenschaftlichen Gutachterwesen

Deep Review wurde unter seinem experimentellen Namen, dem Paper Assistant Tool (PAT), ausgiebig getestet und in vier Pilotpartnerschaften mit den renommierten Informatik-Konferenzen STOC 2026, ICML 2026, NeurIPS 2026 und ICLR 2027 eingesetzt. Während dieser Pilotphasen konnten Autorinnen und Autoren sich in den Wochen vor der Einreichungsfriste dafür entscheiden, Feedback und Analysen zu ihrer Arbeit über PAT zu erhalten. Ziel war es, den Autorinnen und Autoren umsetzbares Feedback zu geben, um die Qualität der eingereichten Arbeiten zu verbessern. Dieses Feedback war vollständig vom offiziellen Konferenz-Begutachtungsprozess entkoppelt. PAT sammelte keine der Daten für das Training, und die Arbeiten wurden nach Abschluss jedes Programms umgehend aus den Google-Systemen gelöscht.

Die Reaktionen der Autorinnen und Autoren auf das Tool waren durchweg äußerst positiv und spiegeln die kontinuierlichen Verbesserungen sowohl der zugrunde liegenden Modelle als auch des PAT-Frameworks wider. Mit der Hinzufügung von Gemini 4 Argon-Unterstützung in Deep Review haben sich die Fähigkeiten des Tools gegenüber den älteren PAT-Versionen, die unten beschrieben werden, weiter erhöht.

Statistiken und Feedback von Autorinnen und Autoren aus den Pilotprogrammen von PAT bei Konferenzen zu maschinellem Lernen und theoretischer Informatik.

Wie Deep Review funktioniert

Einzelne LLM-Aufrufe mit einem Prompt scheitern oft bei der Bewertung langer, komplexer Dokumente, weil sie ihr Token-Rechenbudget für Schlussfolgerungen ausschöpfen, kontextübergreifende Abhängigkeiten zwischen Abschnitten übersehen oder differenzierte Aussagen akzeptieren, ohne sie gründlich zu prüfen. Deep Review löst diese Herausforderungen durch eine agentische Pipeline mit vier Stufen:

1. Dokumentsegmentierung: Das Dokument wird zunächst aufgenommen und von einem Segmenter-Agenten autonom in logische Segmente zerlegt (z. B. Einleitung, Experimente, Methodik usw.). Diese Segmente können sich überlappen und müssen den gesamten Inhalt des Eingabedokuments abdecken.
2. Adaptive Budgetierung: Nicht alle Abschnitte erfordern dieselbe kognitive Tiefe. Die Pipeline prüft die Informationsdichte und weist dynamisch ein Rechenbudget sowie eine spezialisierte Inference-Scaling-Pipeline für jeden Abschnitt zu. So können beispielsweise Abschnitte mit dichten mathematischen Beweisen mehr Rechenleistung erhalten als eine Einleitung oder ein Abschnitt zu verwandten Arbeiten in einer wissenschaftlichen Arbeit.
3. Tiefe parallele Verifikation: Spezialisierte Reasoning-Agenten prüfen jedes Segment parallel. Jeder Agent hat Zugriff auf den vollständigen Dokumentkontext, um Querverweise nachzuverfolgen, konzentriert seine Rechenleistung aber speziell auf die Aufgabe, seinen jeweiligen Zielabschnitt zu begutachten. Dies stellt sowohl sicher, dass die Begutachtungsaufgaben für jede Review-Schar bewältigbar bleiben, als auch, dass die parallelen Scharen ordnungsgemäß koordiniert sind.
4. Globale Synthese und agentische Fundierung: Ein dedizierter Synthese-Agent konsolidiert die Berichte auf Segmentebene, führt abschließende Konsistenzprüfungen zwischen den Abschnitten durch und wiederholt bei Bedarf logische Prüfungen. Der Agent führt darüber hinaus externe Fundierungsprüfungen und Tool-Aufrufe als letzte Vorsichtsmaßnahme gegen Halluzinationen durch.

Systemarchitektur mit der vierstufigen Pipeline.

Universelle Verifikation und Begutachtung: Jenseits von Forschungsarbeiten

Deep Review entstand zwar in der Begutachtung wissenschaftlicher Arbeiten, aber die Begutachtung langer Dokumente ist verallgemeinerbar: Die Reasoning-Mechanismen, mit denen geprüft wird, ob ein mathematischer Beweis in einer Forschungsarbeit Bestand hat, können auch dazu beitragen, logische Lücken und Inkonsistenzen in anderen Dokumentarten aufzudecken, in denen Aussagen durch Belege gestützt werden müssen. Daher kann Deep Review eingesetzt werden, um ein breiteres Spektrum alltäglicher Arbeitsabläufe mit strukturierter Kritik zu versehen.

Nutzerinnen und Nutzer können Deep Review nun zur Analyse komplexer Dokumente über viele Domänen hinweg einsetzen. Es kann beispielsweise ausgeführt werden auf:

• Designdokumente: Nicht ausgesprochene Architekturannahmen aufdecken, Randfälle erkennen und konkrete Verbesserungsvorschläge machen.
• Präsentationen: Sicherstellen, dass Folienübergänge logisch aufeinander aufbauen und die Kernaussagen in Aufzählungspunkten zu den visuellen Diagrammen passen.
• Rechtliche und finanzielle Dokumente: Die innere Konsistenz über Klauseln und Datentabellen hinweg prüfen, mehrdeutige Begriffe oder Folgewirkungen kennzeichnen und Aussagen anhand unterstützender Belege fundieren.

Deep Review trifft Antigravity

Wir stellen außerdem das Teamwork Deep Document Review Pattern, vor – ein von Deep Review inspiriertes Implementierungsmuster für die Dokumentbegutachtung, das in Antigravity integriert ist und das Teamwork-Framework für die Multi-Agenten-Orchestrierung verwendet. Dieses Muster wurde systematisch entwickelt, um Forschungsarbeiten, Manuskriptentwürfe und technische Vorschläge mithilfe einer Multi-Agenten-Hierarchie mit Selbstkorrektur und segmentbasierten Rubriken zu bewerten. Antigravity-Nutzer können dieses Muster mit dem /teamwork-preview Befehl aufrufen.

Gründliche, hochwertige technische Rezensionen allgemein zugänglich machen

Umfassende Kritik vor der Einreichung hing im Bereich der Informatik im Allgemeinen vom Zugang zu umfangreichen Review-Netzwerken ab – etwa erfahrenen Hochschullehrern, gut ausgestatteten akademischen Laboratorien oder weitreichenden peer-beratenden Netzwerken. Die Bereitstellung zuverlässiger, automatisierter logischer Verifikation kann vielen Wissenschaftlern dabei helfen, ihre Behauptungen auf die Probe zu stellen, vermeidbare Schwächen zu erkennen, ihre Dokumente auf Grundlage verifizierter Erkenntnisse zu verfeinern und zu stärken und ihre Arbeit mit mehr Selbstvertrauen in einem Review-Prozess zu präsentieren.

Legen Sie los

Wir laden Forscher, Ingenieure und Kreative überall ein, Deep Review zu erkunden:

• Testen Sie Deep Review: Besuchen Sie das Google Research Portal um Ihre ersten Dokumente zu überprüfen.
• Integration über die API: Greifen Sie mit Ihrem Gemini API-Schlüssel auf programmatische Verifikation in Ihren Continuous-Integration- und Verfassungs-Workflows zu..
• Lesen Sie die Studie: Lesen Sie das Preprint um die zugrunde liegende Methodik und die Pilotbewertungen zu erkunden.

Fazit und Ausblick

Angesichts des Nutzens, den es während unserer Pilotprogramme mit akademischen Konferenzen gezeigt hat, sind wir überzeugt, dass Tools wie Deep Review in den kommenden Jahren eine bedeutende Rolle im gesamten Peer-Review-Prozess spielen werden, indem sie sowohl Autoren als auch Gutachter befähigen.

Wir arbeiten daran, die Fähigkeiten der Plattform weiter auszubauen. Mit der Einführung von Gemini 4 Argon-Unterstützung verbessern sich die zugrunde liegenden Fähigkeiten von Deep Review weiter und liefern Autoren noch hochwertigeres Feedback und Analysen. Darüber hinaus wird es Nutzern mit dem in Kürze verfügbaren Multi-File-Support möglich sein, dieselben Konsistenzprüfungen gleichzeitig über ganze Sätze zusammengehöriger Dokumente, Tabellen und Anlagen laufen zu lassen. Wir hoffen, dass diese Fortschritte hochwertige technische Rezensionen für Wissensarbeiter überall leichter zugänglich machen werden.

Danksagungen

Deep Review ist eine gemeinsame Anstrengung von Google Research, Google DeepMind und Google Cloud. Wir danken unseren Hauptmitwirkenden und Forschungspartnern — Santiago Balseiro, Taylan Cemgil, Tommaso D'Orsi, Kirk Draheim, Lindi Emoungu, Ayse Erduran, Palash Goyal, Caroline Hartnell, Shobana Kannan, Amy Keeling, Siyi Kou, Bridget Lee, Ian Li, Anoushka Mazumdar, Taylor Montgomery, Mouad Naciri, Uche Okonkwo, Mihir Parmar, Anthony Phalen, Rory Pilgrim, Sarah Presotto Post, Rob Tierney, Drew Tyler, Vishnu V., Vahab Mirrokni, Laura Vardoulakis, Johannes Welbl, David Woodruff, Yunhan Xu, Jinsung Yoon — sowie unseren Executive Sponsors Katherine Chou, Corinna Cortes, Burak Gokturk, Vahab Mirrokni, Tomas Pfister, Yossi Matias und den Programm-Vorsitzenden von STOC, ICML, NeurIPS und ICLR für ihre Partnerschaft.