Análisis de documentos técnicos con Deep Review

La IA generativa ha acelerado muchos campos técnicos. Hoy en día es común que la IA desempeñe algún papel en la redacción de artículos científicos y documentos técnicos, en la ejecución de código, en el diseño de experimentos y en la elaboración de propuestas. Sin embargo, la aceleración de la creación de contenido ha generado un desafío de revisión: la capacidad humana de verificación se ha mantenido prácticamente fija ante este rápido aumento de contenido generado por IA. Revisar documentos complejos como manuscritos científicos extensos o acuerdos legales complicados requiere experiencia especializada y conocimientos avanzados de la materia. Este desequilibrio crea un cuello de botella de validación, en el que la información se genera más rápido de lo que puede revisarse con rigor.

Hoy nos complace anunciar el lanzamiento público de Deep Review, un sistema de IA agéntica diseñado para proporcionar retroalimentación rigurosa y verificación técnica sobre documentos complejos. Diseñado inicialmente para el análisis de artículos académicos de informática, las capacidades del sistema se han ampliado para revisar documentos en muchos dominios, como el legal y el financiero. Puede utilizarse tanto como una herramienta de mejora iterativa durante el proceso de redacción como una herramienta para la verificación del proceso científico, las afirmaciones y la evaluación durante el proceso de revisión.

Deep Review representa la evolución de nuestra Paper Assistant Tool (PAT), una iniciativa experimental desarrollada para ayudar a los investigadores a someter a pruebas de estrés sus manuscritos antes de presentarlos a congresos. Durante el último año, colaboramos con cuatro congresos insignia de informática (STOC 2026, , ICML 2026, NeurIPS 2026, y ICLR 2027) para ofrecer retroalimentación privada previa a la presentación a los autores de más de 16,000 manuscritos que optaron por participar. Más detalles sobre la PAT y estos pilotos se encuentran en nuestro manuscrito, Hacia la automatización de la revisión científica con la herramienta Paper Assistant de Google.

Con este lanzamiento, Deep Review ya está disponible en todo el mundo:

• Acceso por niveles y API escalable: cada usuario recibe dos revisiones de documentos gratuitas por semana. Los usuarios con flujos de trabajo de alto volumen pueden conectar su clave de API de Gemini para obtener límites de uso más altos e integración programática mediante la API de Deep Review.
• Flexibilidad de formatos: Deep Review admitirá inicialmente PDF y texto plano como formatos de entrada, con soporte para entradas de varios archivos próximamente.
• Privacidad y política de datos: los documentos cargados en Deep Review nunca se utilizan para entrenar, ajustar ni mejorar los modelos de Google. Los documentos cargados se almacenan durante un año con el único propósito de mostrárselos al usuario en la interfaz de Deep Review.

Deep Review acelera la validación técnica

Uno de los ejemplos más significativos del cuello de botella de validación se encuentra en la revisión por pares académica. Esto se observa en el aumento de envíos a los medios de publicación académica, especialmente los dedicados a la propia investigación en IA, que han experimentado un crecimiento dramático. Este año hubo más de 74,000 envíos a tres grandes congresos de IA (ICLR, , NeurIPSe ICML) por encima de los aproximadamente 45,000 en 2025, 32,000 en 2024 y 23,000 en 2023. Cada una de estas presentaciones requiere múltiples revisiones de alta calidad para garantizar la integridad del proceso de revisión por pares, lo cual puede suponer una mayor carga para los expertos humanos.

Aumento de las presentaciones a NeurIPS, ICML e ICLR entre 2023 y 2026.

Deep Review tiene como objetivo ayudar a aliviar esta creciente carga sobre los revisores humanos en los campos técnicos. Al proporcionar evaluaciones detalladas y objetivas de los documentos, Deep Review comprueba la coherencia lógica y las afirmaciones matemáticas, sugiere mejoras, fundamenta hechos y los compara con trabajos existentes. Aborda algunos de los aspectos de la revisión que suponen una mayor carga cognitiva, dejando los juicios de nivel superior a los humanos.

Un historial probado en revisión científica

Deep Review ha sido ampliamente probado y desplegado bajo su nombre experimental, la Paper Assistant Tool (PAT), en cuatro asociaciones piloto con las conferencias insignia de informática STOC 2026, ICML 2026, NeurIPS 2026 e ICLR 2027. Durante estos pilotos, los autores pudieron optar por recibir comentarios y análisis sobre su artículo a través de PAT en las semanas previas a la fecha límite de envío. El objetivo era proporcionar a los autores comentarios accionables para ayudar a mejorar la calidad de los artículos enviados. Estos comentarios estuvieron completamente desacoplados del proceso oficial de revisión de la conferencia. PAT no recopiló ningún dato para entrenamiento, y los artículos fueron eliminados de los sistemas de Google poco después de que cada programa concluyera.

Las reacciones de los autores a la herramienta han sido extremadamente positivas, y reflejan las continuas mejoras tanto en los modelos subyacentes como en el entorno de PAT. Con la incorporación del soporte de Gemini 4 Argon en Deep Review, las capacidades subyacentes de la herramienta han aumentado aún más más allá de las iteraciones anteriores de PAT descritas a continuación.

Estadísticas y comentarios de autores de los programas piloto de PAT en conferencias de aprendizaje automático e informática teórica.

Cómo funciona Deep Review

Las llamadas LLM de un solo prompt a menudo fallan al evaluar documentos largos y complejos debido al agotamiento de su presupuesto de razonamiento de tokens, a pasar por alto dependencias entre secciones de contexto largo o a aceptar afirmaciones matizadas sin examinarlas a fondo. Deep Review resuelve estos desafíos mediante un pipeline agéntico de cuatro etapas:

1. Segmentación del documento: El documento se ingiere primero y un agente segmentador lo descompone de forma autónoma en segmentos lógicos (p. ej., Introducción, experimentos, metodología, etc.). Estos segmentos pueden solaparse y deben cubrir todo el contenido del documento de entrada.
2. Presupuestación adaptativa: No todas las secciones requieren la misma profundidad cognitiva. El pipeline inspecciona la densidad de información y asigna dinámicamente un presupuesto de cómputo, junto con un pipeline especializado de escalado de inferencia para cada sección. Por ejemplo, las secciones con demostraciones matemáticas densas pueden recibir más cómputo que una introducción o una sección de trabajos relacionados en un artículo académico.
3. Verificación paralela profunda: Agentes de razonamiento especializados examinan cada segmento en paralelo. Cada agente tiene acceso al contexto completo del documento para rastrear referencias cruzadas, pero concentra su capacidad de razonamiento específicamente en la tarea de revisar su sección objetivo. Esto garantiza tanto que las tareas de revisión sean manejables para cada enjambre de revisión como que los enjambres paralelos estén debidamente coordinados.
4. Síntesis global y fundamentación agéntica: Un agente de síntesis dedicado consolida los informes a nivel de segmento y realiza comprobaciones finales de consistencia entre secciones, repitiendo las verificaciones lógicas si es necesario. Además, el agente realiza comprobaciones de fundamentación externas y llamadas a herramientas como medida preventiva final contra alucinaciones.

Arquitectura del sistema que muestra el pipeline de cuatro etapas.

Verificación y revisión universales: más allá de los artículos de investigación

Si bien Deep Review se originó en la revisión de artículos académicos, la revisión de contexto largo es generalizable: los mecanismos de razonamiento utilizados para comprobar si una demostración matemática se sostiene en un artículo de investigación también pueden ayudar a detectar lagunas lógicas e inconsistencias en otros tipos de documentos, donde las afirmaciones deben estar respaldadas por evidencia. Por lo tanto, Deep Review puede utilizarse para llevar crítica estructurada a una gama más amplia de flujos de trabajo cotidianos.

Los usuarios ya pueden aplicar Deep Review para analizar documentos complejos en muchos dominios. Por ejemplo, puede ejecutarse en:

• Documentos de diseño: Detectar suposiciones arquitectónicas no declaradas, identificar casos límite y sugerir mejoras concretas.
• Presentaciones: Asegurar que las transiciones entre diapositivas fluyan lógicamente y que las conclusiones en viñetas coincidan con los gráficos visuales.
• Documentos legales y financieros: Comprobar la consistencia interna entre cláusulas y tablas de datos, señalar términos ambiguos o consecuencias posteriores, y fundamentar las afirmaciones con evidencia de respaldo.

Deep Review se encuentra con Antigravity

También presentamos el Teamwork Deep Document Review Pattern, un patrón de implementación de revisión de documentos inspirado en Deep Review integrado en Antigravity que utiliza el framework de orquestación multiagente Teamwork. Este patrón está diseñado sistemáticamente para evaluar artículos de investigación, borradores de manuscritos y propuestas técnicas mediante una jerarquía multiagente con autocorrección y rúbricas basadas en segmentos. Los usuarios de Antigravity pueden invocar este patrón usando el /teamwork-preview comando.

Hacer que las revisiones técnicas exhaustivas y de alta calidad sean ampliamente accesibles

La crítica integral antes de la presentación en informática generalmente ha dependido del acceso a extensas redes de revisión, como profesores senior, laboratorios académicos con abundantes recursos o amplias redes de asesores entre pares. Proporcionar verificación lógica automatizada y confiable puede ayudar a muchos académicos a someter a prueba sus afirmaciones, identificar fallas evitables, refinar y fortalecer sus documentos sobre la base de fundamentos verificados, y presentar su trabajo en un proceso de revisión con mayor confianza.

Empiece

Invitamos a investigadores, ingenieros y creadores de todo el mundo a explorar Deep Review:

• Pruebe Deep Review: Visite el Portal de Google Research para revisar sus primeros documentos.
• Intégrelo con la API: Acceda a la verificación programática en sus flujos de trabajo de integración continua y redacción usando su clave de la API de Gemini.
• Lee la investigación: Lee el preprint para explorar la metodología subyacente y las evaluaciones piloto.

Conclusión y mirar hacia el futuro

Dada la utilidad que demostró durante nuestros programas piloto con conferencias académicas, creemos que herramientas como Deep Review desempeñarán un papel importante en todo el proceso de revisión por pares en los próximos años, al empoderar tanto a los autores como a los revisores.

De aquí en adelante, seguiremos ampliando las capacidades de la plataforma. Con el lanzamiento del soporte de Gemini 4 Argon, las capacidades subyacentes de Deep Review mejoran aún más, ofreciendo comentarios y análisis de calidad aún mayor a los autores. Además, con el próximo soporte multidocumento, los usuarios también podrán ejecutar estas mismas verificaciones de coherencia en conjuntos completos de documentos, hojas de cálculo y anexos relacionados, de manera simultánea. Esperamos que estos avances hagan que las revisiones técnicas de alta calidad sean más accesibles para los trabajadores del conocimiento en todo el mundo.

Agradecimientos

Deep Review es un esfuerzo colaborativo entre Google Research, Google DeepMind y Google Cloud. Agradecemos a nuestros contribuyentes principales y colaboradores de investigación — 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 — así como a nuestros patrocinadores ejecutivos Katherine Chou, Corinna Cortes, Burak Gokturk, Vahab Mirrokni, Tomas Pfister, Yossi Matias y a los presidentes del programa de STOC, ICML, NeurIPS e ICLR por su colaboración.