Google 升級 Gemini 3 Deep Think：ARC-AGI-2 達 84.6%，開放 API 申請

還記得去年 AI 在奧數賽場上拿金牌時，大家還在爭論這到底算不算真正的思考。到了現在，Google 直接把考場卷子換成了真正的科學前沿課題。

Google 正式釋出了 Gemini 3 Deep Think 的重大升級，專門攻堅科學、前沿研究和複雜工程這類以往沒有標準答案的硬核領域。目前新版本已經在 Gemini 應用內向 Google AI Ultra 訂閱使用者開放，並且首次通過 API 向選定的科研人員和企業啟動早期測試。

刷穿基準之後，去解真正的數學猜想

這次更新最直觀的衝擊來自一系列恐怖的基準數字。在衡量通用推理能力的 ARC-AGI-2 上，Deep Think 跑出了 84.6% 的成績。據 The Rundown 報道，這一分數把 Opus 4.6 的 68.8% 和 GPT-5.2 的 52.9% 甩開了一大截。

在被稱為人類最後一道防線的 Humanity's Last Exam 無工具測試中，它拿下了 48.4%。在程式設計競賽平臺 Codeforces 上，它的 Elo 分數飆升至 3455 分，比 Opus 4.6 高出近 1000 分。除此之外，它還在 2025 年的國際物理與化學奧賽筆試中達到了金牌水準，在理論物理基準 CMT-Benchmark 上拿到了 50.5%。

但刷分只是開胃菜。Google DeepMind 同步披露了代號為 Aletheia 的數學研究智慧體，其核心驅動力正是這次的 Deep Think。

做過科研的人都知道，現實中的前沿數學沒有題庫，往往連是否有解都不知道。Aletheia 配備了自然語言驗證器，能反覆檢查解題漏洞並自我迭代，最關鍵的是它學會了主動承認自己解不出來，這幫研究人員省下了大量篩查幻覺的時間。

同時它還能通過 Google 搜尋去比對真實文獻，避免偽造引用。DeepMind 介紹，這個智慧體已經在沒有人類干預的情況下獨立完成了一篇計算算術幾何中本徵權重的學術論文，並在半自主評估 700 道埃爾德什猜想時，獨立攻克了其中的 4 道懸案。

在工程實踐上，新版 Deep Think 也開始接觸物理世界。比如給它一張草圖，它就能分析複雜形狀並直接生成用於 3D 列印的工程檔案。在學術界，它的早期版本甚至已經參與了理論計算機頂級會議 STOC'26 的論文審稿輔助。

為什麼重要

對於一線科研工作者和高階工程師來說，這次更新的價值在於 AI 終於不再只是一個高階答題機。以往大模型遇到未解難題往往會一本正經地胡說八道，而能夠承認無法解決並且具備自我反思驗證能力的工具，才真正配被稱為科研助手。雖然普通日常辦公用不到這麼沉重的推理算力，但如果你在從事理論物理、高階演算法設計或需要複雜幾何建模的製造工程，這個模式完全值得申請 API 或訂閱體驗。

對行業格局而言，這標誌著前沿競爭的戰線徹底轉移。當普通程式碼補全和日常聊天被各家捲成同質化紅海後，Google 正在把大模型的價值錨點往科學發現的高地推。84.6% 的 ARC-AGI-2 成績不僅給 OpenAI 和 Anthropic 施加了巨大的技術反壓，也向外界證明推理時算力縮放定律在博士級研究深度上依然有效。

我們認為，DeepMind 這一步走得極其紮實。他們沒有像以往那樣誇大通往通用人工智慧的口號，反而非常剋制地提出了一套 AI 輔助科研分類標準，明確承認目前達到的只是可發表水平，尚未出現重大歷史性突破。看起來，Google 很清楚學術界的信任成本極高，比起編織全知全能的幻覺，用嚴謹的文獻檢索和程式碼驗證去啃硬骨頭，才是把大模型送進真正實驗室的最優解。