生成AIは多くの技術分野を加速させてきました。科学論文や技術文書の執筆、コードの実行、実験の設計、提案書のドラフト作成においてAIが何らかの役割を果たすことは、今やごく一般的です。しかし、コンテンツ作成の加速は、レビューの課題を生み出しました。AIが生成するコンテンツが急増する中で、検証を行う人間の能力はほぼ一定のままにとどまっているのです。長い科学原稿や複雑な法的契約書のような複雑な文書のレビューには、専門的な知識と高度な専門分野の知識が必要です。この不均衡は 検証のボトルネック、情報が厳密な検証が追いつく速度よりも速く生成されている場所です。
本日、私たちは以下の一般公開を発表できることを嬉しく思います 徹底レビュー、複雑な文書に対して厳密なフィードバックと技術的検証を提供するよう設計されたエージェント型AIシステムです。当初はコンピュータサイエンスの学術論文の分析向けに設計されましたが、その能力は法務や金融など多くの分野の文書レビューへと拡大しています。本システムは、執筆プロセス中の反復的な改善ツールとしても、レビュープロセスにおける科学的プロセスの検証、主張の確認、評価のためのツールとしても使用できます。
Deep Reviewは、研究者が会議投稿前に原稿をストレステストするために開発された実験的な取り組みであるPaper Assistant Tool(PAT)の進化版です。この1年間、私たちは4つの主要なコンピュータサイエンス会議と協力してまいりました(STOC 2026, ICML 2026、 NeurIPS 2026、 および ICLR 2027) を通じて、オプトインした16,000件を超える原稿の著者に、投稿前の非公開フィードバックを提供しました。PATおよびこれらのパイロットの詳細については、私たちの論文をご覧ください。 GoogleのPaper Assistantツールによる科学的レビューの自動化に向けて.
今回のリリースにより、Deep Reviewは世界中で利用可能になりました:
- 段階的アクセスとスケーラブルなAPI: すべてのユーザーは毎週2回の無料ドキュメントレビューを受け取れます。大量のワークフローを持つユーザーは自分の Gemini APIキー より高い利用上限と、Deep Review API によるプログラム的な統合のため。
- フォーマットの柔軟性: Deep Reviewは当初、PDFとプレーンテキストを入力形式としてサポートし、複数ファイル入力のサポートは近日中に提供される予定です。
- プライバシーとデータポリシー「Deep Review にアップロードされた文書が、Google モデルの学習、ファインチューニング、改善に使用されることはありません。アップロードされた文書は、Deep Review の UI でユーザーに表示することのみを目的として、1 年間保存されます。」
Deep Reviewが技術検証を加速
検証のボトルネックを最もよく示す例のひとつが、学術的な査読である。これは、学術出版の場、特にAI研究そのものに関する発表場所への投稿数の急増に見て取れる。今年、3つの主要なAI会議には74,000件を超える投稿があった（ICLR, NeurIPS、および ICML) 2025年の約 2025年には45,000件、2024年には32,000件、そして2023年には23,000件でした。これらの各投稿には、ピアレビューの過程の完全性を確保するために複数回の高品質なレビューが必要であり、人間の専門家により大きな負担をかける可能性があります。
2023年から2026年にかけてのNeurIPS、ICML、ICLRへの投稿数の増加。
Deep Reviewは、技術分野全体で人間のレビュアーにかかるこの拡大する負担の軽減を目指しています。文書の詳細かつ客観的な評価を提供することで、Deep Reviewは論理の整合性や数学的記述を検証し、改善点を提案し、事実の裏付けを取り、既存の研究との比較を行います。レビューの中で最も認知的負荷の高い側面の一部に対応しながら、より高度な判断は人間に委ねられます。
科学的レビューにおける実績
Deep Reviewは、実験的な名称である the のもとで広範なテストと展開が行われてきました。 ペーパーアシスタントツール (PAT)を、主要なコンピュータサイエンス会議であるSTOC 2026、ICML 2026、NeurIPS 2026、ICLR 2027の4つのパイロット提携で実施しました。これらのパイロット期間中、著者はオプトインすることで、投稿締め切りの数週間前にPATを通じて論文に関するフィードバックと分析を受け取ることができました。その目的は、著者に実行可能なフィードバックを提供し、投稿される論文の質の向上を支援することでした。このフィードバックは、会議の公式査読プロセスから完全に切り離されたものでした。PATはトレーニング用にいかなるデータも収集せず、各プログラム終了後には論文はGoogleのシステムから速やかに削除されました。
このツールに対する著者たちの反応は極めて好意的であり、基盤モデルとPATハーネスの両方の継続的な改善を反映しています。Deep ReviewにGemini 4 Argonサポートが追加されたことで、ツールの基盤となる能力は、以下に述べるPATの旧世代をさらに上回るものとなりました。
機械学習および理論計算機科学の会議におけるPATのパイロットプログラムの統計と著者からのフィードバック。
Deep Reviewの仕組み
単一プロンプトでのLLM呼び出しは、トークンの推論予算を使い果たしたり、長い文脈にわたるセクション間の依存関係を見落としたり、細かな主張を十分に精査せずに受け入れたりするため、長く複雑な文書を評価する際にしばしば失敗します。Deep Reviewは、4段階のエージェント型パイプラインによってこれらの課題を解決します。
- ドキュメントのセグメンテーション: ドキュメントはまず取り込まれ、セグメント化エージェントによって論理セグメント(例:序論、実験、方法論など)へと自律的に分解されます。これらのセグメントは重複していてもよく、入力ドキュメントのすべての内容をカバーしなければなりません。
- 適応型予算編成: すべてのセクションが同じ認知的深さを必要とするわけではありません。このパイプラインは情報密度を検査し、計算予算を動的に割り当てるとともに、セクションごとに特化した推論スケーリングパイプラインを適用します。たとえば、学術論文において、数学的な証明が密なセクションは、序論や関連研究のセクションよりも多くの計算を割り当てられる可能性があります。
- 深い並列検証: 専門の推論エージェントが各セクションを並行して精査します。各エージェントは相互参照を追跡するために文書全体のコンテキストにアクセスできますが、その推論能力は担当する特定のセクションのレビューというタスクに特化して集中させられます。これにより、各レビュースウォームにとってレビュー作業が管理しやすいものになると同時に、並行して動作するスウォーム間の適切な連携も確保されます。
- グローバルな統合とエージェント的なグラウンディング: 専用の統合エージェントがセグメント単位のレポートを統合し、セクション間の最終的な整合性チェックを行い、必要に応じて論理チェックを再実行します。さらに、このエージェントはハルシネーション(幻覚)に対する最終的な予防措置として、外部グラウンディングチェックとツール呼び出しを実行します。
4段階パイプラインを示すシステムアーキテクチャ。
普遍的な検証とレビュー:研究論文を超えて
Deep Reviewは学術論文のレビューから始まりましたが、長文コンテキストのレビューは一般化可能です。研究論文内の数学的証明が成立するかを検証するために使われる推論メカニズムは、主張が証拠によって裏付けられなければならない他の種類の文書における論理の飛躍や矛盾を明らかにするのにも役立ちます。したがって、Deep Reviewは、より幅広い日常のワークフローに構造化された批評をもたらすために利用できます。
ユーザーは現在、Deep Reviewを適用して多くの分野にわたる複雑な文書を分析できるようになりました。たとえば、以下に対して実行できます:
- 設計資料: 明示されていないアーキテクチャ上の前提を捉え、エッジケースを見つけ、具体的な改善提案を行います。
- プレゼンテーション: スライドの切り替えが論理的に流れるようにし、箇条書きの要点が視覚的なグラフと一致していることを確認してください。
- 法的および財務に関する文書: 条項やデータ表全体の内部的整合性を確認し、曖昧な用語や下流への影響を指摘し、主張を裏付けとなる証拠に基づいて検証します。
Deep Review が Antigravity と出会う
私たちはさらに、以下も導入します。 チームワークによる深いドキュメントレビューパターン, Deep Reviewに着想を得たドキュメントレビュー実装パターンが組み込まれた アンチグラビティ 〜を使用して チームワーク型マルチエージェントオーケストレーションフレームワーク。このパターンは、自己修正機能とセグメントベースのルーブリックを備えたマルチエージェント階層を用いて、研究論文、原稿草案、技術提案を評価するよう体系的に設計されています。Antigravityのユーザーは、次のものを使用してこのパターンを呼び出すことができます: /teamwork-preview コマンド。
綿密で質の高い技術レビューを広く誰もが利用できるようにする
コンピュータサイエンスにおける投稿前の包括的な批評は、一般に、シニアの教員や設備の整った学術研究室、広範なピアアドバイザリーネットワークのような、大規模なレビューネットワークへのアクセスに依存してきました。信頼性の高い自動化された論理検証を提供することで、多くの研究者が自分の主張をストレステストし、回避可能な欠陥を特定し、検証済みの基盤に基づいて論文を洗練・強化し、より自信を持ってレビュープロセスに研究を提出できるようになります。
はじめる
世界中の研究者、エンジニア、クリエイターの皆様に、Deep Review をぜひご体験いただきたいと思います:
- ディープレビューを試してみてください: こちらにアクセスして Google Research Portal 最初の書類を確認するために。
- APIと統合します: 継続的インテグレーションおよびドラフト作成ワークフローでプログラムによる検証を利用するには、あなたの Gemini APIキー.
- 研究を読む: Read the プレプリント 基盤となる手法と試験評価について詳しく見ていく。
結論と今後の展望
学術会議とのパイロットプログラムで示された有用性を踏まえ、Deep Reviewのようなツールは、著者と査読者の両方を支援することで、今後数年の間に査読プロセス全体で重要な役割を果たすと考えています。
今後も、プラットフォームの機能拡張を続けていきます。Gemini 4 Argonサポートの展開により、Deep Reviewの基盤となる機能がさらに向上し、著者の皆様により高品質なフィードバックと分析を提供します。さらに、マルチファイルサポートが近く提供されることで、関連するドキュメント、スプレッドシート、資料一式全体に対して、同じ整合性チェックを同時に実行できるようになります。これらの進展により、高品質な技術レビューが世界中のナレッジワーカーの皆様にとってより広く利用しやすくなることを願っています。
謝辞
Deep Reviewは、Google Research、Google DeepMind、Google Cloudによる共同の取り組みです。コアコントリビューターおよび研究協力者である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の皆さん、そしてエグゼクティブスポンサーであるKatherine Chou、Corinna Cortes、Burak Gokturk、Vahab Mirrokni、Tomas Pfister、Yossi Matiasの各氏、およびSTOC、ICML、NeurIPS、ICLRのプログラムチェアの皆さんに、パートナーシップへの感謝を申し上げます。