Google 升级 Gemini 3 Deep Think：ARC-AGI-2 达 84.6%，开放 API 申请

还记得去年 AI 在奥数赛场上拿金牌时，大家还在争论这到底算不算真正的思考。到了现在，Google 直接把考场卷子换成了真正的科学前沿课题。

Google 正式发布了 Gemini 3 Deep Think 的重大升级，专门攻坚科学、前沿研究和复杂工程这类以往没有标准答案的硬核领域。目前新版本已经在 Gemini 应用内向 Google AI Ultra 订阅用户开放，并且首次通过 API 向选定的科研人员和企业启动早期测试。

刷穿基准之后，去解真正的数学猜想

这次更新最直观的冲击来自一系列恐怖的基准数字。在衡量通用推理能力的 ARC-AGI-2 上，Deep Think 跑出了 84.6% 的成绩。据 The Rundown 报道，这一分数把 Opus 4.6 的 68.8% 和 GPT-5.2 的 52.9% 甩开了一大截。

在被称为人类最后一道防线的 Humanity's Last Exam 无工具测试中，它拿下了 48.4%。在编程竞赛平台 Codeforces 上，它的 Elo 分数飙升至 3455 分，比 Opus 4.6 高出近 1000 分。除此之外，它还在 2025 年的国际物理与化学奥赛笔试中达到了金牌水准，在理论物理基准 CMT-Benchmark 上拿到了 50.5%。

但刷分只是开胃菜。Google DeepMind 同步披露了代号为 Aletheia 的数学研究智能体，其核心驱动力正是这次的 Deep Think。

做过科研的人都知道，现实中的前沿数学没有题库，往往连是否有解都不知道。Aletheia 配备了自然语言验证器，能反复检查解题漏洞并自我迭代，最关键的是它学会了主动承认自己解不出来，这帮研究人员省下了大量筛查幻觉的时间。

同时它还能通过 Google 搜索去比对真实文献，避免伪造引用。DeepMind 介绍，这个智能体已经在没有人类干预的情况下独立完成了一篇计算算术几何中本征权重的学术论文，并在半自主评估 700 道埃尔德什猜想时，独立攻克了其中的 4 道悬案。

在工程实践上，新版 Deep Think 也开始接触物理世界。比如给它一张草图，它就能分析复杂形状并直接生成用于 3D 打印的工程文件。在学术界，它的早期版本甚至已经参与了理论计算机顶级会议 STOC'26 的论文审稿辅助。

为什么重要

对于一线科研工作者和高阶工程师来说，这次更新的价值在于 AI 终于不再只是一个高级答题机。以往大模型遇到未解难题往往会一本正经地胡说八道，而能够承认无法解决并且具备自我反思验证能力的工具，才真正配被称为科研助手。虽然普通日常办公用不到这么沉重的推理算力，但如果你在从事理论物理、高级算法设计或需要复杂几何建模的制造工程，这个模式完全值得申请 API 或订阅体验。

对行业格局而言，这标志着前沿竞争的战线彻底转移。当普通代码补全和日常聊天被各家卷成同质化红海后，Google 正在把大模型的价值锚点往科学发现的高地推。84.6% 的 ARC-AGI-2 成绩不仅给 OpenAI 和 Anthropic 施加了巨大的技术反压，也向外界证明推理时算力缩放定律在博士级研究深度上依然有效。

我们认为，DeepMind 这一步走得极其扎实。他们没有像以往那样夸大通往通用人工智能的口号，反而非常克制地提出了一套 AI 辅助科研分类标准，明确承认目前达到的只是可发表水平，尚未出现重大历史性突破。看起来，Google 很清楚学术界的信任成本极高，比起编织全知全能的幻觉，用严谨的文献检索和代码验证去啃硬骨头，才是把大模型送进真正实验室的最优解。