Google 發布具突破性科學推理能力的 Gemini 3 Deep Think

Google 以 Gemini 3 Deep Think 更新重新定義 AI 推理

在人工智慧（Artificial Intelligence，簡稱 AI）的關鍵時刻，Google 發佈了 Gemini 3 Deep Think 的重大升級，這是其專門的「系統 2」（System 2）推理模型。這項由 Google DeepMind 今日宣佈的更新，標誌著 AI 系統從僅僅預測文本的聊天機器人，向具備真實、多步驟科學發現和複雜工程能力系統的決定性轉變。

這次更新帶來了一系列效能指標，這些指標不僅僅是微幅改進之前的當前最佳（State-of-the-art，簡稱 SOTA）基準，而是有效地打破了紀錄。憑藉在 ARC-AGI-2 上獲得 84.6% 的確認得分，以及在 Codeforces 上驚人的 3455 Elo 評分，Gemini 3 Deep Think 已將自己定位為邁向通用人工智慧（Artificial General Intelligence，簡稱 AGI）競賽中的事實領導者，特別是在需要嚴密邏輯、空間規劃和創新解決問題的領域。

推理引擎：超越模式匹配

此次升級的核心在於「Deep Think」架構，該架構優先考慮測試時運算（test-time compute）。與優先考慮回應速度的標準大型語言模型（Large Language Models，簡稱 LLMs）不同，Gemini 3 Deep Think 的設計旨在生成最終輸出之前進行暫停、模擬各種解決路徑、驗證其內部邏輯並自我修正。這種「思考」階段使模型能夠應對由模糊性、凌亂數據和缺乏明確護欄所定義的問題——這些挑戰是高階研究和工程中的典型特徵。

Google 執行長 Sundar Pichai 強調，這次更新是與領先科學家密切合作開發的，以確保該模型能夠在實驗室中擔任可靠的夥伴。其結果是一個不僅僅是檢索資訊，而是應用抽象推理來解決以前從未遇到過任務的 AI。

突破 ARC-AGI-2 天花板

今日公告中最顯著的指標或許是 ARC-AGI-2 的表現。抽象與推理語料庫（Abstraction and Reasoning Corpus，簡稱 ARC）被廣泛認為是 AGI 的「理智測試」，衡量模型僅透過幾個範例即時學習新技能的能力，而不是依賴記憶的訓練數據。

雖然之前的尖端模型難以突破 50-60% 的障礙（與人類平均表現相當），但 Gemini 3 Deep Think 達到了經獨立驗證的 84.6%。這個分數不僅僅是一個高數字；它代表了流動智力（fluid intelligence）的質變。

從長遠來看，目前的競爭格局明顯落後。根據最新的可用基準數據，Claude Opus 4.6 約為 69.2%，而 GPT-5.3 則落後於 54.2%。Google 的飛躍表明 Gemini 3 破解了多年來一直困擾業界的抽象泛化基本代碼。

特級大師級別的工程與編碼

對於軟體工程師和開發者來說，Gemini 3 Deep Think 的影響是深遠的。該模型在 Codeforces 平台上獲得了 3455 的 Elo 評分。在競技程式設計的世界中，這不僅僅是「專家」級別；它是「傳奇特級大師」（Legendary Grandmaster）的境界，將該 AI 置於全球人類和機器排名的前 8 位。

這種能力超出了演算法難題。Google 展示了該模型在空間推理和物理工程方面的能力，展示了一個工作流程：AI 分析了一個筆記型電腦支架的粗糙手繪草圖，建模了支撐重量和符合人體工學所需的複雜 3D 幾何結構，並生成了一個可 3D 列印的文件。最終的物理對象既實用又精確，縮小了抽象設計與物理製造之間的差距。

科學發現的夥伴

Google DeepMind 已明確將此模型定位為科學工具。發佈內容包括來自獲得早期訪問權限的著名學術機構的個案研究。

羅格斯大學（Rutgers University）： 數學家 Lisa Carbone 利用 Deep Think 審閱高等物理領域的稠密技術論文。該 AI 成功識別出一項證明中先前被人類同行評審員忽略的細微邏輯缺陷，展示了其審核複雜理論工作的能力。
杜克大學（Duke University）Wang 實驗室： 研究人員將該模型應用於材料科學挑戰，特別是半導體研究。Deep Think 設計了一種生長大於 100 微米的薄晶體薄膜的新方法，達到了傳統方法未能達到的精度目標。

這些現實世界的應用得到了 2025 年國際物理與化學奧林匹亞（International Physics and Chemistry Olympiads）筆試部分的金牌級表現，以及在 CMT-Benchmark（測試高等理論物理熟練度）中獲得 50.5% 得分的支持。

基準測試分析

下表總結了今日發佈的關鍵效能指標，並將 Gemini 3 Deep Think 的表現與相關基準或先前標準進行了對比。

指標	得分/結果	意義
ARC-AGI-2	84.6%	展示了前所未有的流動智力和泛化能力，遠遠超過約 60% 的人類平均水平。
Codeforces Elo	3455	傳奇特級大師級別；位居全球競技程式設計師的頂尖梯隊。
人類最後的測驗（HLE）	48.4% (無工具)	在旨在對當前 AI 「不可能」的基準測試中設定了新的 SOTA，測試專家級的領域知識。
IMO 2025	金牌	以嚴密的邏輯一致性解決複雜的數學證明。
2025 年國際物理奧林匹亞	金牌	展示了對大學水平物理概念和解決問題能力的精通。
CMT-Benchmark	50.5%	顯示了在高等理論物理領域的能力，這是之前 AI 未曾涉足的領域。

應對「人類最後的測驗」

該模型還在**人類最後的測驗（Humanity's Last Exam，簡稱 HLE）**上設定了新標準，在不使用外部工具的情況下得分 48.4%。HLE 是由學科專家策劃的基準測試，對具有特定專業知識的人類來說很容易，但由於所需的知識細微差別和深度，對 AI 模型來說幾乎是不可能的。

雖然與 GSM8K 數學基準測試中常見的 90% 以上分數相比，48.4% 似乎較低，但在 HLE 的背景下，這是一項巨大的成就。它表明模型正開始滲透到數千個小眾學科的「專家」知識層級，擺脫了「樣樣通，樣樣鬆」的範式。

可用性與未來展望

Google 已積極採取行動，將此工具交給創作者和研究人員。更新後的 Gemini 3 Deep Think 立即透過 Gemini 應用程式提供給 Google AI Ultra 訂閱者。

此外，考慮到對代理工作流（agentic workflows）的需求，Google 正在向精選的研究小組和企業合作夥伴開放 Deep Think API 的存取權限。這使開發者能夠構建應用程式，利用模型的擴展推理能力處理需要高可靠性的任務，例如自動代碼審查、供應鏈優化和藥物化合物分析。

隨著 AI 行業消化這些數據，焦點轉向 OpenAI 和 Anthropic 等競爭對手將如何應對。但就目前而言，憑藉其推理凌亂數據、生成物理工程解決方案以及解決特級大師級別問題的能力，Gemini 3 Deep Think 已牢牢確立了自己作為 AI 生態系統新頂級掠食者的地位。