مکانیزم فنی Deep Think روی دو تا پایه اصلی استواره:
۱. تفکر موازی (Parallel Thinking): به جای تولید یک chain-of-thought خطی، مدل چندین مسیر استدلال یا فرضیه (hypotheses) رو به صورت همزمان تولید و ارزیابی می‌کنه. این مفهوم شبیه به روش‌های پیشرفته‌تری مثل Tree-of-Thoughts (ToT) یا Graph-of-Thoughts (GoT) هست، با این تفاوت که اینجا به صورت یکپارچه و بهینه‌شده در خود مدل پیاده‌سازی شده. مدل در طی این فرآیند می‌تونه ایده‌ها رو با هم ترکیب کنه یا حتی مسیرهای ضعیف‌تر رو در حین پردازش اصلاح کنه.

۲. افزایش زمان استنتاج (Extended Inference Time): به مدل به صورت عامدانه زمان و compute بیشتری داده می‌شه تا فضای راه‌حل (solution space) رو عمیق‌تر جستجو کنه. گوگل صراحتاً به دو نسخه اشاره کرده: یک نسخه تحقیقاتی برای المپیاد ریاضی (IMO) که حل مسائلش "ساعت‌ها" طول می‌کشه و به سطح مدال طلا رسیده، و نسخه عمومی که سریع‌تره و به سطح برنز دست پیدا کرده. این خودش نشون‌دهنده یک trade-off مستقیم بین زمان و عمق استدلاله.

نکته کلیدی فنی اینجاست: صرفاً دادن زمان بیشتر به مدل کافی نیست. گوگل از تکنیک‌های Reinforcement Learning جدیدی استفاده کرده تا مدل رو "تشویق" کنه که از این مسیرهای استدلال طولانی و موازی به شکل مؤثری استفاده کنه. در واقع، مدل با RL یاد گرفته که چطور این فضای جستجوی وسیع رو مدیریت کنه و بهترین خروجی رو از بین شاخه‌های مختلف انتخاب یا سنتز کنه.

تحلیل نتایج بنچمارک‌ها از دید فنی:

IMO 2025:
جهش از "بدون مدال" به "مدال برنز" در نسخه عمومی، یک تغییر کیفی در توانایی استدلال ریاضی انتزاعی رو نشون می‌ده. این بنچمارک نیازمند ساخت اثبات‌های چند مرحله‌ای و خلاقانه است، نه صرفاً بازخوانی دانش.

LiveCodeBench v6:
اختلاف ۱۳.۴ درصدی با نسخه Pro نشون می‌ده که این تکنیک برای مسائل کدنویسی الگوریتمی که نیاز به تحلیل trade-off ها و پیچیدگی زمانی دارن، بسیار کارآمده.

Humanity's Last Exam:
کسب امتیاز بالا بدون ابزار خارجی، تأکیدی بر افزایش توانایی استدلال ذاتی و پایگاه دانش داخلی خود مدله.

به نظر من، Deep Think یک استراتژی محصول هوشمندانه برای بخش‌بندی بازاره. گوگل عملاً داره compute-at-inference رو به عنوان یک محصول premium می‌فروشه. برای تسک‌های روزمره از نسخه Pro استفاده می‌شه، ولی برای حل یک مشکل واقعاً سخت، کاربر می‌تونه آگاهانه هزینه محاسباتی بیشتری رو برای دسترسی به یک reasoning engine قدرتمندتر پرداخت کنه. البته این افزایش قدرت با هزینه هم همراه بوده: طبق گزارش خود گوگل، مدل تمایل بیشتری به رد کردن درخواست‌های سالم (higher tendency to refuse benign requests) داره که این یک نمونه کلاسیک از alignment tax در مدل‌های بزرگ‌تر و تواناتره.

full blog post

🛠 Join @LLMEngineers Community