摘要： Google DeepMind 於 2026 年 2 月 11 日揭露 Gemini 3 Deep Think 改版，把定位從奧賽解題推向數學、物理與電腦科學的研究級問題。Aletheia 數學代理人可用自然語言驗證器檢查證明並承認失敗；IMO-ProofBench Advanced 隨推理算力增加最高可達 90%。成果橫跨 18 個研究問題，但一般 Gemini API 仍無法使用，須透過 Early Access Program 申請。
2026 年 2 月 11 日，Google DeepMind 選在官方部落格揭露 Gemini 3 Deep Think 的一次重大改版。這個推理模式是為專業研究而生的：它的企圖不在更快解開奧賽試題，而是要在數學、物理與電腦科學研究者的指導下，接下開放式研究問題。發文由 Thang Luong、Vahab Mirrokni 領軍，Terence Tao 則列名致謝——DeepMind 將「AI for Science」視為主戰線，訊號再清楚不過。
金牌之後：推理跨入研究層級
在 Gemini 3 家族中，Deep Think 扮演專門負責推理的角色。依照 DeepMind 的說法，它於 2025 年夏季的國際數學奧林匹亞（IMO）站上金牌水準，再往後的版本也在 ICPC 拿到同等表現。此次更新真正的主角，是 2026 年 1 月釋出的版本：內部評測顯示，它不只明顯超越 IMO 金牌版本，還以更低的推理算力換到更好的推理品質。換個說法：能力持續墊高，成本曲線卻同步往下走。
Aletheia：敢於承認失敗的數學代理人
這波更新裡最值得工程師盯上的是 Aletheia——一個以 Deep Think 為底座的數學研究代理人。它靠自然語言驗證器回頭檢查自己寫下的證明，能借助 Google 搜尋與網頁瀏覽翻找文獻，而且在設計上就容許它「承認失敗」。
這一點對 agent 工程舉足輕重：一個不會說「我做不到」的研究代理人，比流暢寫出錯誤證明的還要危險。自然語言驗證器的另一個好處，是讓數學家用自己習慣的方式檢視機器推理。
推理縮放：IMO-ProofBench Advanced 最高 90%
在 IMO-ProofBench Advanced 上，Deep Think 的成績隨推理期算力增加而攀升，最高可達 90%；DeepMind 並報告這條縮放曲線一路通到博士級習題（內部 FutureMath Basic 基準）。產品團隊可以從中讀出很直接的含義：一旦品質能用算力換，準確率、延遲與成本便收斂成同一組可調旋鈕。
18 個研究問題的成果清單與主動設限
DeepMind 這回罕見地給出具體實績：範圍橫跨 18 個研究問題，產出至少一篇 ICLR 2026 接受的論文。亮點包含 Feng26（處理算術幾何 eigenweights 的全自主論文）、從 Bloom 的 Erdős 猜想庫 700 個開放問題中自主解出 4 個（含 Erdős-1051）、以一組三元素反例推翻 2015 年的線上次模最佳化猜想，另外也投入協助 STOC 2026 論文審稿。
報告另一面則是主動劃線：目前成績僅達 Level 2「可發表品質」，Level 3 或 Level 4 的突破尚未出現——這份克制反而讓整份報告更可信。
開放範圍與使用限制
現階段，Deep Think 在 Gemini App 上向 Google AI Ultra 訂閱者敞開；API 端只開放給獲選的研究者、工程師與企業，須透過 Early Access Program 申請，一般 pay-as-you-go 的 Gemini API 還進不去。Demis Hassabis 事後在 X 宣布，此次升級已在「最嚴格的數學與科學基準」上締造新紀錄；India Today 的後續報導則寫到它在 Humanity’s Last Exam 拿到及格分數。
開發者該帶走的三件事
可歸納為三點。其一，驗證器設計：自然語言驗證搭配「允許失敗」，是一套值得搬回自己專案的 agent 架構模式。其二，把推理算力當成產品變數：90% 背後是一條可控的品質—成本曲線，該寫進 eval 與定價設計裡。其三，差異化戰場正從通用基準移往專業研究工作流。沿著2026 開年觀察談過的路線分歧往下看：Deep Think 押的是「往深處走」，同一週，開源陣營則忙著「往便宜走」。