Google DeepMind：Gemini Deep Think 用智能体工作流解决研究级难题
DeepMind 发表两篇论文展示 Gemini Deep Think 如何通过智能体工作流协助解决数学、物理和计算机科学领域的研究级问题。
查看原文TL;DR · 评测解读
DeepMind 用两篇论文展示 Gemini Deep Think + 智能体工作流在数学/物理/CS 研究级问题上的能力，本质是一场精心策划的「能力演示」而非标准化 benchmark，需警惕 contamination 与 cherry-picking 风险。
深度解读
这到底测了什么
DeepMind 这次没有公布标准 benchmark 榜单，而是用两篇论文案例展示 Gemini Deep Think 通过智能体工作流（agentic workflow）——即模型自主调度工具、调用代码解释器、迭代搜索文献——来解决研究级难题。注意「研究级」三个字很关键：它刻意回避了 IMO/FrontierMath 这种已经被广泛刷过、可对照的基准，转而选取「特定未公开解法的开放问题」作为靶子，本质是一种能力秀而非可复现的横评。
方法论质疑
- 样本选择偏差：挑选的问题是否经过多轮筛选、专门挑选适合 LLM 形式化处理的方向（如组合数学中可被 Lean/形式化验证的子领域）？从经验看，DeepMind 历来偏好展示「对自家模型友好」的题面。
- 智能体框架的功劳归属模糊：当结果好时，是
Deep Think的推理强，还是配套的MCP/工具调用脚手架在扛活？论文里两者贡献通常不拆解。 - Contamination 几乎不可排除：数学/物理开
● 未登录访客SMARTFLOW PRO
继续阅读深度解读 + 编辑加注
下方还有 3-5 段深度分析 + Vincent 编辑加注 + 可点击信源，仅 Pro 会员可见
加入机智流 PRO →¥99 / 季 · 每周 1 篇深度研报 · 飞书+微信群双通道
已是 Pro 但仍被提示？联系反馈
参考来源
- Google DeepMind：Gemini Deep Think 用智能体工作流解决研究级难题 · 2026-02-11
- DeepMind Gemini 2.5 Deep Think 技术报告（背景参考） · 2025-08-01
- FrontierMath：衡量前沿数学推理的 benchmark（关于 contamination 讨论） · 2025-01-15
本解读由 AI 自动生成 · 模板：评测解读 · 仅供参考，请以原文为准。