莫潇羽@无忆研习社（www.wuyi.wiki）原创内容，转载请注明出处。
快速摘要
2026年2月12日，Google DeepMind 正式发布了 Gemini 3 Deep Think 的重大升级版本。这是目前公认的最先进 AI 推理模式之一。它在 Codeforces 编程竞赛中拿到了 3455 Elo，全球仅有 7 名人类选手评分高于它；在 ARC-AGI-2 抽象推理基准上以 84.6% 的成绩刷新纪录；在「人类最后的考试」（HLE）中以 48.4% 的准确率领先所有竞品模型。更关键的是，这个模型已经跨出了实验室——它帮助罗格斯大学数学家发现了人类同行评审遗漏的论文逻辑漏洞，帮助杜克大学实验室优化了半导体晶体生长配方，甚至能将一张手绘草图直接变成 3D 打印文件。如果你对 AI 推理的底层技术、它的工作原理和实际操作方式感兴趣，往下看有更详细的拆解。 莫潇羽在这篇文章中为大家做了全面的技术梳理和操作指引。
一、本次升级
2026 年 2 月 12 日深夜，Google DeepMind 官方博客发布了一篇题为「Gemini 3 Deep Think: Advancing science, research and engineering」的公告。这篇公告标志着 Deep Think 从一个纯粹的「推理竞赛工具」进化成了一个面向真实科研场景的通用深度推理引擎。
稍早之前，Deep Think 还只是 Gemini 模型家族中一个相对小众的「专精推理模式」，它在 2025 年夏天的国际数学奥林匹克（IMO）中拿到了金牌水准，后来在国际大学生程序设计竞赛（ICPC）中也取得了类似成绩。但这些更多是「竞赛向」的展示，跟普通用户和一线科研人员之间还有一定距离。
这一次，Google DeepMind 做了三件关键的事情：
- 把 Deep Think 的推理能力从数学和编程竞赛全面扩展到了化学、物理、工程设计等广泛的科学领域
- 在多项业界最难的基准测试上刷出了全新的最优成绩（SOTA）
- 首次通过 Gemini API 向外部研究人员、工程师和企业开放了 Deep Think 的调用权限
对于莫潇羽@无忆研习社的读者们来说，这意味着一个值得关注的技术节点——AI 不再只是能聊天、写代码的「助手」，它正在成为能参与高水平学术研究的「协作者」。
二、Gemini 3 Deep Think 的技术原理深度拆解
要真正理解 Deep Think 为什么强，我们需要从技术原理层面搞清楚它到底做了什么。莫潇羽在这里尽量用通俗的方式帮大家理清脉络。
2.1 「系统 2 思维」：从快速反应到深度思考
心理学家丹尼尔·卡尼曼在《思考，快与慢》中提出了一个经典的双系统理论：
- 系统 1（快思维）：直觉式的、自动的、几乎不费力的思考。比如你一眼就能认出一张人脸，或者立刻回答「2+2 等于几」。
- 系统 2（慢思维）：刻意的、有意识的、需要集中注意力的思考。比如做一道复杂的数学证明题，或者在下棋时推演接下来五步的策略。
传统的大语言模型（LLM），比如标准版的 Gemini、ChatGPT 等，本质上更接近「系统 1」——它们通过模式匹配快速生成下一个 token，速度很快但在遇到复杂多步推理时容易出错。
Deep Think 则代表了一种向「系统 2」的范式转变。它不会在接收到问题后立刻吐出答案，而是会投入额外的「思考时间」（thinking time），在内部进行大量的推演和验证之后，再输出一个更经过深思熟虑的结果。
这里莫潇羽@无忆研习社给大家做个类比：想象一个国际象棋大师在对弈。他不会看到棋盘后立刻落子——他会同时在脑海中推演好几条不同的棋路，预判对手的反应，然后选择最优的那一步。Deep Think 的工作方式与此类似。
2.2 并行推理架构：同时探索多条思路
Deep Think 最核心的技术创新在于它的并行推理架构（Parallel Reasoning Architecture）。与早期模型按部就班地「一步一步想」不同，Deep Think 能够同时启动多条推理路径。
具体来说，当你给 Deep Think 提出一个复杂问题时，它内部会经历以下几个阶段：
第一阶段：假设生成（Hypothesis Generation）
Deep Think 会同时生成多个可能的解题方向。比如面对一个数学证明题，它可能会同时尝试：
- 直接证明法
- 反证法
- 利用已知定理进行归纳
- 从特殊情况推广到一般情况
- 寻找反例来排除错误方向
这些不同的方向会各自独立展开推演。
第二阶段：跨路径通信（Cross-path Communication）
这是 Deep Think 架构真正精妙的地方。不同的推理路径之间并不是完全孤立运行的——它们能够在推理过程中共享信息和洞察。
举个例子：假设「模式识别路径」在推演过程中发现了一个有用的规律，它可以立刻把这个发现共享给「数学推理路径」。数学推理路径拿到这个线索后，可能会用它来剪枝——排除掉那些明显走不通的方向。这种动态的信息交换能产生一种「涌现式」的解题策略，是单条推理路径无法独立达到的。
第三阶段：综合与验证（Synthesis and Verification）
最终，一个「综合引擎」会收集所有推理路径的结论，通过注意力机制评估每条路径的可信度和相关性，然后将它们整合成一个连贯的最终答案。这里不是简单的投票取多数——综合引擎会主动寻找互补性的洞察，将不同路径的发现组合在一起，得到比任何单条路径都更深入的理解。
用代码的方式来打个比方，传统模型的推理过程更像这样：
思路A → 结论A而 Deep Think 的推理过程更像这样：
┌─ 思路A ──── 中间洞察 ─────┐
│ │
├─ 思路B ──── 中间洞察 ────┼──→ 综合引擎 → 最终答案
│ ↕ 信息共享 │
├─ 思路C ──── 中间洞察 ─────┤
│ │
└─ 思路D ──── 中间洞察 ─────┘2.3 推理时计算（Inference-time Compute）扩展
Deep Think 的另一个关键技术特征是推理时计算扩展。简单来说就是：模型在回答时可以选择「想得更久」。
这跟传统的「训练时扩展」（training-time scaling）形成了互补。过去提升模型性能的主要方式是在训练阶段投入更多算力和数据。而 Deep Think 走的是另一条路——在模型已经训练好之后，通过在推理（即回答问题）阶段投入更多计算资源，来提升回答质量。
Google DeepMind 的实验数据表明，随着推理时计算量的增加，Deep Think 的性能在很多难题上呈现出稳定的提升曲线。这条「推理时扩展定律」（inference-time scaling law）在奥林匹克级别的数学题上已被充分验证，而且这种扩展效应还可以迁移到博士级别的研究问题上。
莫潇羽在这里画一个简化的示意图帮助大家理解：
性能
↑
│ ╭─────────────
│ ╭─╯ Deep Think
│ ╭─╯ (更多推理时间 → 更好结果)
│ ╭─╯
│ ╭─╯
│╭─╯
├─────────── 标准模型（固定推理时间）
│
└──────────────────────→ 推理时计算量通过 Gemini API，开发者可以通过 thinkingLevel 参数来控制 Deep Think 的推理深度。对于 Gemini 3 系列模型，推荐使用这个参数而非早期的 thinkingBudget 参数：
import google.generativeai as genai
# 配置 Deep Think 的推理级别
response = model.generate_content(
"你的复杂问题",
generation_config={
"thinking_level": "high" # 可选: low, medium, high
}
)2.4 多模态统一推理
Deep Think 并不是只能处理纯文本的推理模型。它基于 Gemini 3 的原生多模态能力，可以同时处理文本、图像和代码。
这意味着什么呢？举一个实际的例子：当你给 Deep Think 一张物理实验的示意图和一组方程式时，模型能够把图中的视觉元素与符号数学关联起来进行统一推理。它不需要你先把图「翻译」成文字描述——它直接「看」图就能参与推理。
这种统一的多模态推理在 MMMU-Pro 基准测试上取得了 81.5% 的表现，超过了所有竞品模型。
2.5 强化学习与安全机制
Deep Think 的训练过程中使用了新型强化学习技术。Google DeepMind 在 Gemini 2.5 Deep Think 的模型卡中透露，他们用了一种可以利用更多多步推理、问题解决和定理证明数据的强化学习方法。
在安全方面，Deep Think 的每条并行推理分支都会通过基于人类反馈的强化学习（RLHF）进行微调，以减少幻觉（hallucination）。每条推理线程在汇合之前，都会经过独立的事实核查环节。这样即使在处理高复杂度问题时，输出也能保持较高的事实准确性。
三、刷爆的基准成绩到底意味着什么
光说「刷新 SOTA」对很多读者来说可能没什么感觉。莫潇羽@无忆研习社在这一节帮大家把每一项成绩放到具体的语境中去理解。
3.1 Codeforces 3455 Elo：「传奇大师」级编程能力
Codeforces 是全球最大的竞赛编程平台，汇聚了来自世界各地的顶尖程序员。它的 Elo 评分体系类似国际象棋，分数越高代表实力越强。
等级对照如下：
Elo 评分 等级名称 大致人群占比
─────────────────────────────────────────────────────
3000+ 传奇大师（LGM） 极少数精英
2600-2999 国际大师（IGM） 顶尖选手
2400-2599 大师（GM） 非常优秀
2100-2399 候选大师 高水平
1900-2099 专家 中上水平
1600-1899 蓝名选手 中等水平
<1600 其他等级 入门到中等Gemini 3 Deep Think 的 3455 Elo 意味着它已经稳稳地站在「传奇大师」级别。根据 Codeforces 当前的活跃用户排行榜（筛选近 6 个月有参赛记录的选手），只有 7 名人类选手的当前评分高于 3455。
作为对比参考：
- 2023 年初的 GPT-4 只有 392 Elo（大约是入门水平）
- 2024 年中的 GPT-4o 提升到了 808 Elo（约 11 百分位）
- 2025 年初 OpenAI 的 o3 达到了 2727 Elo（已经相当厉害了）
- 现在 Deep Think 直接跳到了 3455 Elo
短短三年，AI 在竞赛编程上的表现从「新手」直接飙升到「超越 99.99% 人类选手」。
而且这里有一个重要的细节：这个成绩是在不使用任何外部工具的条件下取得的——也就是说，模型没有借助代码执行环境来验证答案，全靠纯推理能力生成解题代码。
3.2 ARC-AGI-2 84.6%：抽象推理能力的里程碑
ARC-AGI（Abstraction and Reasoning Corpus for Artificial General Intelligence）是一个专门设计用来测试通用智能的基准。它的核心理念是：真正的智能不是靠记忆已知的模式，而是能够从少量示例中学会新规则，并将其推广到从未见过的任务上。
ARC-AGI 的每道题都是一组输入-输出的网格图案。你需要观察示例中输入和输出之间的变换规则，然后把同样的规则应用到一个新的输入上。这些规则可能涉及旋转、对称、填充、计数等各种抽象操作，而且每道题的规则都不一样。
据了解，人类在这类任务上的平均准确率大约在 60% 左右。过去很长一段时间里，AI 模型在这个基准上很难突破 20%。
现在，Deep Think 拿到了 84.6%，不仅远超人类平均水平，而且已经让 ARC-AGI-2 这个基准接近「饱和」——也就是说，这个测试快要测不出模型之间的差异了。
ARC Prize 基金会已经对这个成绩进行了官方验证，并在 ARC-AGI-1 版本上，Deep Think 更是达到了 96.0%，基本宣告了旧版基准的「退役」。ARC Prize 方面也已经宣布将在 2026 年发布全新的 ARC-AGI-3 版本，首次引入交互式推理挑战。
各模型在 ARC-AGI-2 上的对比：
模型名称 ARC-AGI-2 准确率
──────────────────────────────────────────────
Gemini 3 Deep Think 84.6%
Claude Opus 4.6（Thinking Max） 68.8%
GPT-5.2（Thinking xhigh） 52.9%
Gemini 3 Pro Preview 31.1%差距一目了然。莫潇羽认为，这个成绩的真正意义在于证明了 Deep Think 不仅仅是在「背题」——它具备了真正的抽象推理和模式迁移能力。
3.3 人类最后的考试（HLE）48.4%：挑战人类专家的极限
Humanity's Last Exam（HLE）是一个由各领域学科专家设计的基准测试，包含了数千道对人类专家来说相对容易、但对 AI 来说极其困难的问题。这些题目跨越了众多学科，需要真正的专业级知识和复杂的逻辑推理能力。
Deep Think 在不使用任何外部工具的情况下，拿到了 48.4% 的准确率，超过了 Claude Opus 4.6 的 40.0% 和 GPT-5.2 的 34.5%。虽然这个分数看起来不算特别高，但考虑到这个基准的难度级别，这已经是一个非常了不起的突破。
3.4 奥林匹克金牌大满贯
在学科竞赛方面，Deep Think 实现了真正的「大满贯」：
- 2025 国际数学奥林匹克（IMO）：金牌水准
- 2025 国际物理奥林匹克（IPhO）：笔试部分金牌水准
- 2025 国际化学奥林匹克（IChO）：笔试部分金牌水准
- CMT-Benchmark（高级理论物理）：50.5% 的成绩，展示了在凝聚态物理理论方面的专业水平
这意味着 Deep Think 已经不再局限于「做数学题很厉害」——它在物理和化学等自然科学领域也具备了相当的深度。
四、Aletheia 数学研究智能体：让 AI 独立做科研
在 Deep Think 升级公告发布的前一天，Google DeepMind 发表了两篇重量级论文，详细介绍了基于 Deep Think 构建的数学研究智能体 Aletheia。这个智能体代表了 AI 从「解题工具」到「研究伙伴」的跨越式转变。
4.1 Aletheia 的架构设计
Aletheia 本质上是一个由 Deep Think 驱动的自主数学研究代理。它的核心工作流程包括：
┌─────────────────────────────────────────┐
│ Aletheia 工作流程 │
├─────────────────────────────────────────┤
│ │
│ 1. 接收研究问题 │
│ ↓ │
│ 2. 检索相关文献（使用 Google Search） │
│ ↓ │
│ 3. 生成候选解决方案 │
│ ↓ │
│ 4. 自然语言验证器检查方案 │
│ ↓ │
│ 5a. 发现逻辑缺陷 → 返回步骤 3 重新生成 │
│ 5b. 验证通过 → 输出解决方案 │
│ 5c. 确认无法解决 → 承认失败 │
│ │
└─────────────────────────────────────────┘这里有几个重要的设计细节值得莫潇羽@无忆研习社的读者注意：
- 自然语言验证器：Aletheia 内置了一个专门的验证模块，能够用自然语言检查候选解决方案中的逻辑漏洞。这不是简单的语法检查——它会追踪证明过程中每一步的逻辑推导，确保没有跳步或错误。
- 迭代式生成-验证循环：如果验证器发现了问题，Aletheia 会自动修正并重新尝试。这个迭代过程可以反复进行，直到得到一个通过验证的解或者确认问题无法解决。
- 承认失败的能力：这是一个被忽视但极其重要的特性。在实际科研中，知道「这条路走不通」有时比「硬凑一个看似合理的结果」更有价值。Aletheia 可以明确地说「我解不出来」，而不是生成一个看起来像回事但实际上有缺陷的方案。
- 联网检索能力：Aletheia 可以使用 Google Search 和网页浏览来获取相关文献，避免了「胡编乱造引用」的问题。
4.2 实战成果：攻克 Erdős 猜想
Aletheia 在 Bloom 的 Erdős 猜想数据库中对 700 个开放问题进行了大规模半自主评估。这项工作产出了多个具有学术价值的成果：
- 自主解决了数据库中的四个开放问题
- 在 Erdős-1051 问题上，模型的自主求解帮助推动了后续研究论文的泛化工作
- 为另外两篇研究论文贡献了中间命题
- 其中部分成果已经提交到了知名学术期刊
Google DeepMind 团队还提出了一个分类体系，将 AI 辅助的数学研究成果按贡献度和重要性分为四个等级：
- Level 1（有用的贡献）：AI 提供了有价值的辅助
- Level 2（可发表质量）：已提交至知名期刊
- Level 3（重大进展）：尚未有此级别的成果
- Level 4（里程碑式突破）：尚未有此级别的成果
目前 Aletheia 的成果主要集中在 Level 1 和 Level 2。这说明 AI 虽然还没有独立做出重大理论突破，但已经具备了产出可发表级别学术成果的能力。
4.3 超越数学：跨学科科研协作
Deep Think 的研究能力不仅限于纯数学。Google DeepMind 的团队在 18 个跨学科研究问题上与专家合作，成功帮助突破了算法、机器学习与组合优化、信息论和经济学等领域中的长期瓶颈。
其中的一些亮点包括：
- 在经典计算机科学问题「Max-Cut」（最大割问题）和「Steiner Tree」（斯坦纳树问题）上取得了新进展——这两个领域的研究此前已经停滞多年
- 成功反驳了一些长期存在的猜想，这对于纠正学术界的方向同样非常有价值
- 协助审阅了 STOC'26 会议的计算机科学理论论文
这些成果横跨了信息论、复杂性理论、密码学和机制设计等多个领域，充分展示了 AI 作为高水平科研协作者的潜力。
五、真实科研场景中的实战表现
理论和基准成绩再好看，最终都要经受实战检验。莫潇羽在这一节为大家梳理 Deep Think 在实际科研和工程场景中的具体应用案例。
5.1 发现人类审稿人遗漏的论文漏洞
罗格斯大学的数学家 Lisa Carbone 长期研究高能物理学所需要的数学结构——具体来说，是在爱因斯坦引力理论和量子力学之间架桥的数学框架。这个领域的特点是：可用的训练数据极少，问题极其专业化，现有的 AI 模型很难在这个领域发挥作用。
Carbone 让 Deep Think 审阅了一篇高度技术性的数学论文。结果令人意外——Deep Think 成功识别出了一个微妙的逻辑缺陷，而这个缺陷此前已经通过了人类同行评审却没有被发现。
这个案例的价值不仅在于「AI 发现了 Bug」，更在于它展示了 Deep Think 在数据极度稀缺的领域也能有效工作的能力。在这类前沿数学物理领域，相关的文献和数据量远远不及主流的 NLP 或计算机视觉任务，但 Deep Think 依然能够理解论文的逻辑链条并找出其中的薄弱环节。
5.2 优化半导体材料晶体生长
杜克大学的 Wang Lab 利用 Deep Think 来优化复杂晶体生长的制造方法，目标是发现新的半导体材料。
在材料科学中，晶体生长的参数空间极其庞大——温度、压强、气体流速、基底材料、生长时间等等变量的组合几乎是无穷的。传统方法往往依赖经验和反复试错，效率很低。
Deep Think 在分析了相关文献和实验条件后，成功设计出了一种能够生长超过 100 μm 的薄膜的配方——这是之前的方法很难精确实现的目标。这意味着 AI 在实验设计和参数优化方面已经具备了超越传统方法的潜力。
5.3 从草图到 3D 打印实物
Google 平台与设备部门的研发主管 Anupam Pathak 展示了 Deep Think 的另一个令人印象深刻的能力——将手绘草图直接变成可 3D 打印的实物。
整个流程大致是这样的：
- 用户画一张简单的草图（甚至可以是很粗糙的手绘）
- 将草图发送给 Deep Think
- Deep Think 分析草图中的几何形状和结构意图
- 模型对复杂形状进行建模
- 生成可以直接用于 3D 打印的模型文件（如 STL 格式）
Pathak 本人并不是 CAD 设计师，但借助 Deep Think，他能够直接从一个创意草图得到一个功能性的 3D 打印零件。他特别提到，Deep Think 不仅能忠实地还原草图中的设计意图，还能提出一些用户自己没有想到的全新设计方案。
这个功能的实际意义在于：它极大地降低了从「创意」到「实物原型」之间的门槛。以前你需要学会使用 SolidWorks、Fusion 360 之类的专业 CAD 软件，现在画一张草图就行了。对于快速原型迭代来说，这种效率提升是数量级的。
5.4 物理模拟与可视化
在社区的实测中，Deep Think 展现出了令人惊叹的物理模拟能力。有用户用它来实现光线追踪渲染，而且整个实现可以直接在浏览器中运行。
更令人印象深刻的是，有人用 Deep Think 在单个 HTML 文件中构建出了一个完整的 Three.js 场景——一个博物馆风格的全 3D 室内房间，里面挂着古典油画，光影效果几乎以假乱真。
知名开发者 Simon Willison 则用 Deep Think 生成了一张鹈鹕骑自行车的 SVG 矢量图。他给出的评价是「这是我目前见过最棒的一版」。之后他还加大了难度，要求生成一张加州褐鹈鹕骑自行车的 SVG 图像，并提出了非常具体的细节要求——自行车必须有辐条、车架形状准确、鹈鹕要有标志性的大喉囊和清晰的羽毛纹理。Deep Think 同样给出了令人满意的结果。
六、Deep Think 与竞品模型的全面对比
莫潇羽在这里为大家整理一个更完整的横向对比表格，帮助大家快速了解 Deep Think 在各个维度上的竞争力。
6.1 核心基准对比
┌──────────────────┬────────────┬─────────────┬─────────────┬──────────────┐
│ 基准测试 │ Gemini 3 │ Gemini 3 │ Claude │ GPT-5.2 │
│ │ Deep Think │ Pro Preview │ Opus 4.6 │ │
├──────────────────┼────────────┼─────────────┼─────────────┼──────────────┤
│ HLE（无工具） │ 48.4% │ 37.5% │ 40.0% │ 34.5% │
│ ARC-AGI-2 │ 84.6% │ 31.1% │ 68.8% │ 52.9% │
│ ARC-AGI-1 │ 96.0% │ - │ - │ - │
│ Codeforces Elo │ 3455 │ 2512 │ 2352 │ - │
│ MMMU-Pro │ 81.5% │ 81.0% │ 73.9% │ 79.5% │
│ CMT-Benchmark │ 50.5% │ - │ - │ - │
└──────────────────┴────────────┴─────────────┴─────────────┴──────────────┘6.2 差异化优势分析
从表格中可以清晰地看到，Deep Think 的优势主要体现在以下几个方面：
- 抽象推理：在 ARC-AGI-2 上的 84.6% 远远领先于第二名（Claude Opus 4.6 的 68.8%），差距高达 15.8 个百分点。
- 竞赛编程：3455 的 Codeforces Elo 比 Gemini 3 Pro Preview 高出近 1000 分，比 Claude Opus 4.6 高出 1100 多分。
- 跨学科科学：在物理、化学奥赛以及 CMT-Benchmark 等科学领域的表现，是其他模型目前无法匹配的。
- 多模态推理：在 MMMU-Pro 上的 81.5% 虽然领先幅度不大，但依然保持第一。
不过，莫潇羽也要指出，Deep Think 并不是在所有场景下都是最优选择。它的「深度思考」模式需要更多时间和计算资源，对于简单的日常对话和常规任务，标准的 Gemini 3 Flash 或 Pro 模型在响应速度上有明显优势。Deep Think 的定位更像是一把「精准手术刀」，适合需要深度推理的高难度任务。
七、手把手教你使用 Deep Think
接下来莫潇羽@无忆研习社带大家看看实际操作层面，如何才能用上 Deep Think 的强大能力。
7.1 通过 Gemini App 使用
目前，Deep Think 在 Gemini App（网页版、Android 和 iOS 均可）中面向 Google AI Ultra 订阅用户开放。
使用步骤如下：
- 打开 Gemini App（g
