Analyser des documents techniques avec Deep Review

L'IA générative a accéléré de nombreux domaines techniques. Il est désormais courant que l'IA joue un rôle dans la rédaction d'articles scientifiques et de documents techniques, l'exécution de code, la conception d'expériences et la rédaction de propositions. Cependant, l'accélération de la création de contenu a créé un défi de révision : la capacité humaine de vérification est restée largement fixe face à cette augmentation rapide du contenu généré par l'IA. La révision de documents complexes comme de longs manuscrits scientifiques ou des accords juridiques complexes exige une expertise spécialisée et une connaissance approfondie du sujet. Ce déséquilibre crée un goulot d'étranglement de validation, où l'information est générée plus vite qu'elle ne peut être rigoureusement révisée.

Aujourd'hui, nous sommes ravis d'annoncer la mise à disposition publique de Deep Review, un système d'IA agentique conçu pour fournir un retour rigoureux et une vérification technique sur des documents complexes. Conçu initialement pour l'analyse d'articles académiques en informatique, les capacités du système se sont élargies à la révision de documents dans de nombreux domaines, tels que le juridique et la finance. Il peut être utilisé à la fois comme un outil d'amélioration itérative pendant le processus de rédaction et comme un outil de vérification du processus scientifique, des affirmations et de l'évaluation pendant le processus de révision.

Deep Review représente l'évolution de notre Paper Assistant Tool (PAT) — une initiative expérimentale développée pour aider les chercheurs à tester leurs manuscrits avant leur soumission à des conférences. Au cours de l'année écoulée, nous nous sommes associés à quatre conférences phares d'informatique (STOC 2026, ICML 2026, NeurIPS 2026, et ICLR 2027) pour fournir un retour privé avant soumission aux auteurs de plus de 16,000 manuscrits qui en avaient fait la demande. De plus amples détails sur le PAT et ces projets pilotes se trouvent dans notre manuscrit, Vers l'automatisation de la révision scientifique avec l'outil Paper Assistant de Google.

Avec cette version, Deep Review est désormais accessible dans le monde entier :

• Accès par paliers et API évolutive: chaque utilisateur bénéficie de deux révisions de documents gratuites par semaine. Les utilisateurs ayant des flux de travail à fort volume peuvent connecter leur clé API Gemini pour des limites d'utilisation plus élevées et une intégration programmatique via l'API Deep Review.
• Flexibilité de format: Deep Review prendra initialement en charge les PDF et le texte brut comme formats d'entrée, avec la prise en charge d'entrées multi-fichiers à venir.
• Confidentialité et politique de données: les documents téléversés sur Deep Review ne sont jamais utilisés pour entraîner, affiner ou améliorer les modèles de Google. Les documents téléversés sont conservés pendant un an dans le seul but d'être affichés à l'utilisateur dans l'interface de Deep Review.

Deep Review accélère la validation technique

L'un des exemples les plus significatifs du goulot d'étranglement de validation se trouve dans l'évaluation par les pairs académique. Cela se voit dans l'augmentation des soumissions aux lieux de publication académique, en particulier les lieux de recherche en IA elle-même, qui ont connu une hausse spectaculaire. Cette année, il y a eu plus de 74,000 soumissions à trois grandes conférences d'IA (ICLR, NeurIPS, et ICML) en hausse par rapport à environ 45,000 en 2025, 32,000 en 2024 et 23,000 en 2023. Chacune de ces soumissions nécessite plusieurs évaluations de haute qualité afin de garantir l'intégrité du processus d'évaluation par les pairs, ce qui peut représenter une charge plus lourde pour les experts humains.

Augmentation des soumissions à NeurIPS, ICML et ICLR entre 2023 et 2026.

Deep Review vise à contribuer à alléger cette charge croissante pesant sur les évaluateurs humains dans les domaines techniques. En fournissant des évaluations détaillées et objectives des documents, Deep Review vérifie la cohérence logique et les énoncés mathématiques, suggère des améliorations, fonde les faits et compare avec les travaux existants. Il prend en charge certains des aspects de l'évaluation les plus éprouvants sur le plan cognitif, tout en laissant les jugements de plus haut niveau aux humains.

Un bilan éprouvé en matière d'évaluation scientifique

Deep Review a été largement testé et déployé sous son nom expérimental, le Paper Assistant Tool (PAT), dans le cadre de quatre programmes pilotes avec les conférences phares en informatique STOC 2026, ICML 2026, NeurIPS 2026 et ICLR 2027. Durant ces programmes pilotes, les auteurs pouvaient choisir de recevoir des retours et une analyse de leur article via PAT dans les semaines précédant la date limite de soumission. L'objectif était de fournir aux auteurs des retours exploitables afin d'aider à améliorer la qualité des articles soumis. Ces retours étaient totalement découplés du processus officiel d'évaluation de la conférence. PAT n'a collecté aucune donnée à des fins d'entraînement, et les articles ont été supprimés des systèmes de Google rapidement après la fin de chaque programme.

Les réactions des auteurs à l'outil ont été extrêmement positives et reflètent les améliorations continues apportées tant aux modèles sous-jacents qu'à l'infrastructure PAT. Avec l'ajout de la prise en charge de Gemini 4 Argon dans Deep Review, les capacités sous-jacentes de l'outil se sont encore accrues par rapport aux itérations antérieures de PAT décrites ci-dessous.

Statistiques et retours des auteurs issus des programmes pilotes de PAT lors de conférences en apprentissage automatique et en informatique théorique.

Fonctionnement de Deep Review

Les appels LLM à prompt unique échouent souvent lors de l'évaluation de documents longs et complexes, en raison de l'épuisement de leur budget de raisonnement en jetons, du fait de négliger les dépendances inter-sections sur de longs contextes, ou d'accepter des affirmations nuancées sans les examiner pleinement. Deep Review relève ces défis grâce à un pipeline agentique en quatre étapes :

1. Segmentation du document: le document est d'abord ingéré puis décomposé de manière autonome par un agent segmenteur en segments logiques (par exemple, introduction, expériences, méthodologie, etc.). Ces segments peuvent se chevaucher et doivent couvrir l'intégralité du contenu du document d'entrée.
2. Budget adaptatif: toutes les sections ne nécessitent pas la même profondeur cognitive. Le pipeline inspecte la densité d'information et alloue dynamiquement un budget de calcul, ainsi qu'un pipeline de mise à l'échelle de l'inférence spécialisé pour chaque section. Par exemple, les sections contenant des démonstrations mathématiques denses peuvent recevoir plus de calcul qu'une introduction ou une section de travaux connexes dans un article académique.
3. Vérification parallèle approfondie: des agents de raisonnement spécialisés examinent chaque segment en parallèle. Chaque agent a accès au contexte complet du document pour suivre les références croisées, mais concentre sa puissance de raisonnement spécifiquement sur la tâche d'évaluer sa section cible. Cela garantit à la fois que les tâches d'évaluation restent gérables pour chaque essaim d'évaluation et que les essaims parallèles sont correctement coordonnés.
4. Synthèse globale et ancrage agentique: un agent de synthèse dédié consolide les rapports au niveau des segments et effectue les dernières vérifications de cohérence entre les sections, en relançant des vérifications logiques si nécessaire. L'agent effectue en outre des vérifications d'ancrage externe et des appels d'outils en guise de dernière mesure préventive contre les hallucinations.

Architecture du système montrant le pipeline en quatre étapes.

Vérification et évaluation universelles : au-delà des articles de recherche

Bien que Deep Review soit né de l'évaluation d'articles académiques, l'évaluation sur de longs contextes est généralisable : les mécanismes de raisonnement utilisés pour vérifier si une démonstration mathématique tient dans un article de recherche peuvent également aider à révéler des lacunes logiques et des incohérences dans d'autres types de documents, où les affirmations doivent être étayées par des preuves. Deep Review peut donc être utilisé pour apporter une critique structurée à un plus large éventail de flux de travail quotidiens.

Les utilisateurs peuvent désormais appliquer Deep Review pour analyser des documents complexes dans de nombreux domaines. Par exemple, il peut être exécuté sur :

• Documents de conception : détecter les hypothèses architecturales non exprimées, repérer les cas limites et suggérer des améliorations concrètes.
• Présentations : s'assurer que les transitions entre diapositives s'enchaînent logiquement et que les points clés résumés correspondent aux graphiques visuels.
• Documents juridiques et financiers : vérifier la cohérence interne entre les clauses et les tableaux de données, signaler les termes ambigus ou les conséquences en aval, et confronter les affirmations aux preuves à l'appui.

Deep Review rencontre Antigravity

Nous présentons également le Teamwork Deep Document Review Pattern, un modèle d'implémentation d'évaluation de documents inspiré de Deep Review intégré à Antigravity à l'aide du framework d'orchestration multi-agents Teamwork. Ce modèle est conçu de manière systématique pour évaluer des articles de recherche, des ébauches de manuscrits et des propositions techniques à l'aide d'une hiérarchie multi-agents avec auto-correction et grilles d'évaluation par segments. Les utilisateurs d'Antigravity peuvent invoquer ce modèle à l'aide de la /teamwork-preview commande.

Rendre les revues techniques approfondies et de haute qualité largement accessibles

La critique approfondie avant soumission en informatique a généralement dépendu de l'accès à de vastes réseaux de relecture — comme des professeurs chevronnés, des laboratoires académiques bien dotés en ressources ou d'importants réseaux consultatifs de pairs. Fournir une vérification logique automatisée et fiable peut aider de nombreux universitaires à éprouver leurs affirmations, à identifier les défauts évitables, à affiner et renforcer leurs documents sur la base de fondations vérifiées, et à présenter leur travail dans un processus de révision avec plus de confiance.

Commencer

Nous invitons les chercheurs, les ingénieurs et les créateurs du monde entier à explorer Deep Review :

• Essayer Deep Review : Visitez le Google Research Portal pour réviser vos premiers documents.
• Intégrer avec l'API : Accédez à la vérification programmatique dans vos flux de travail d'intégration continue et de rédaction à l'aide de votre clé API Gemini.
• Lisez la recherche : Lisez la prépublication pour explorer la méthodologie sous-jacente et les évaluations pilotes.

Conclusion et perspectives

Compte tenu de l'utilité qu'il a démontrée lors de nos programmes pilotes avec des conférences académiques, nous pensons que des outils comme Deep Review joueront un rôle important dans l'ensemble du processus d'évaluation par les pairs dans les années à venir, en donnant des moyens d'action aux auteurs comme aux évaluateurs.

À l'avenir, nous continuerons d'étendre les capacités de la plateforme. Avec le déploiement de la prise en charge de Gemini 4 Argon, les capacités sous-jacentes de Deep Review s'améliorent encore, offrant aux auteurs des retours et des analyses de qualité encore supérieure. De plus, avec la prise en charge multi-fichiers qui arrivera bientôt, les utilisateurs pourront également exécuter ces mêmes vérifications de cohérence sur des ensembles entiers de documents, feuilles de calcul et pièces justificatives connexes, simultanément. Nous espérons que ces avancées rendront les revues techniques de haute qualité plus largement accessibles aux travailleurs du savoir partout dans le monde.

Remerciements

Deep Review est un effort collaboratif entre Google Research, Google DeepMind et Google Cloud. Nous remercions nos contributeurs principaux et nos collaborateurs de recherche — 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 — ainsi que nos sponsors exécutifs Katherine Chou, Corinna Cortes, Burak Gokturk, Vahab Mirrokni, Tomas Pfister, Yossi Matias et les présidents de programme de STOC, ICML, NeurIPS et ICLR pour leur partenariat.