A Google kiadott egy jelentős frissítést Gemini 3 Deep Think — egy érvelő mesterséges intelligencia alapú platform, amely a tudomány és mérnökség aktuális kihívásainak megoldására szolgál.
A Google Gemini 3 Deep Think új verziójának fejlesztése tudósokkal együttműködve zajlott — a szolgáltatás célja, hogy összetett kutatási problémákat oldjon meg, amelyek aspektusai nem feltétlenül rendelkeznek világos korlátokkal vagy egyetlen helyes megoldással, és a kapcsolódó adatok hiányosak vagy rendszertelenek lehetnek. Az új, frissített Deep Think platform egy próbálkozás, hogy túllépjen az elméleti absztrakción, és a gyakorlati alkalmazások területére lépjen. Az új mód közvetlenül elérhető a Gemini alkalmazásban, de csak a Google AI Ultra előfizetői számára; a cég emellett először nyitja meg a hozzáférést a Gemini API-n keresztül — mérnököknek, kutatóknak és vállalatoknak megfelelő kérelmet kell benyújtaniuk.
A Humanity’s Last Exam tesztjében a Google Gemini 3 Deep Think platform 48,4 % -ot ért el harmadik fél eszközök használata nélkül; az ARC-AGI-2 benchmarkban pedig példátlan 84,6 % -os eredményt mutatott. A Codeforces programozási verseny tesztjén az Elo rangszáma 3455 volt; a 2025-ös Nemzetközi Matematikai Olimpián az rendszer aranyérmes szintet mutatott, ugyanazt az eredményt érte el a kémiai és fizikai versenyek feladataiban is. A CMT-Benchmark teszt során a Google Gemini 3 Deep Think módja magasan teljesített a elméleti fizika terén 50,5 % -os eredménnyel.
A Gemini 3 Deep Think modell szolgált alapként egy mesterséges intelligencia ügynöknek, amelyet a Google DeepMind laboratóriumában neveztek el Aletheia. Ez magában foglalja a természetes nyelven megfogalmazott hipotézisek ellenőrzésének eszközét a javasolt megoldások hiányosságainak azonosítására; iteratív folyamatot tervez a megoldások generálásához és korrigálásához. Fontos, hogy az ügynök elismerheti, ha nem képes válaszolni egy kérésre. Összetett kutatások esetén a Google keresőszolgáltatásához és a webböngészési eszközökhöz fordul — a közzétett irodalom összefoglalása során nem ad meg nem létező hivatkozásokat, és igyekszik elkerülni a pontatlanságokat a számítások során.
A Google fejlesztői az Aletheia tényleges és jövőbeli teljesítményszintjeit öt fokozatra osztották. Gyakorlatilag teljesen autonóm üzemmódban az AI-ügynök három, Pál Erdős matematikus által megfogalmazott nyitott probléma megoldásának útját vázolta fel — ezt a kutatást nulladik szintűnek értékelték, ami "jelentéktelen újdonságnak" felel meg. Ugyanez a mód ajánlott egy másik probléma megoldását is az ugyanabból a halmazból, ezzel elérve az első szintet, azaz a "minimális újdonságot". A második szinten, az "közlésre alkalmas" fokon az Aletheia Autonóm üzemmódban, emberi együttműködés módjában és segédeszközként is bemutatott eredményeket. A harmadik ("jelentős áttörés") és negyedik ("jelentős áttörés") szintet az AI-ügynök még nem tudta elérni.
Az Aletheia fejlesztői megbízása alapján 700 eddig megoldatlan Erdős matematikai problémát elemeztek és 13-at megoldottak. Igaz, 9 problémának már létezett megoldása, és valóban először megoldottként csak 4 látszik. Továbbá a 212 megoldás közül, amit az AI adott, csak 6,5 % volt "tartalmilag helyes". A többi vagy alapvető hiányosságokkal rendelkezett (68,5 %), vagy az ügynök által hibásan értelmezett változatokat oldott meg (31,5 %).
Ennek eredményeként a fejlesztők egyetértettek abban, hogy az AI "túlzottan hajlamos a kérdéseket úgy félreérteni, hogy ezekre könnyebben lehessen válaszolni," és "rendkívül hajlamos a hibákra az emberekkel összehasonlítva". Más szavakkal, a matematikusokat az AI egyelőre nem tudja helyettesíteni.
Források:
Forrás: 3dnews.ru
