谷歌最新 Gemini Agent 爆击GPT-5.2？人类最后考试得分见分晓！网友：Altman又该发“红色警报”了

作者｜冬梅

在全球人工智能领域竞争快速升温的当下，谷歌与 OpenAI 再次在同一天抛出重磅更新，令整个行业的注意力高度集中。

昨天夜里，谷歌发布了全新“重新构想”的 Gemini Deep Research 版本，并首次开放了嵌入式研究智能体 API。

而几乎同时，OpenAI 正式发布了备受期待的 GPT-5.2（代号 Garlic）。两家公司围绕智能体（Agent）未来、基础大模型能力边界以及应用生态主导权的竞争，正进入一个前所未有的焦灼阶段。

这一次，谷歌和 OpenAI 的攻防几乎精确地踩在同一时间窗口，让外界得以清晰观察这两家全球 AI 巨头之间的战略对抗节奏。

1 谷歌推出全新 Deep Research Agent

谷歌推出的全新 Gemini Deep Research 工具是一款智能 Agent，能够整合海量信息并处理提示信息中大量的上下文数据。谷歌表示，客户使用 Deep Research Agent 执行的任务范围广泛，从尽职调查到药物毒性安全研究均有涉及。

谷歌还表示，很快会将这款全新的 Deep Research Agent 集成到其各项服务中，包括谷歌搜索、谷歌财经、Gemini 应用以及广受欢迎的 NotebookLM。这标志着谷歌正朝着一个未来世界迈出又一步：未来，人类将不再使用谷歌搜索任何内容，而是由人工智能代理代劳。

具体而言，Deep Research Agent 有哪些能力？

在此次更新中，Google 不仅对 Deep Research Agent 进行了架构级的再设计，还以 Gemini 3 Pro 为核心基础模型，构建了一个更加稳定、准确、可追溯的深度研究系统。新版 Deep Research Agent 的能力提升可总结为三个关键方向：模型升级、推理稳定性突破以及交互能力全面增强。

先说模型升级。新版 Deep Research Agent 完全基于 Gemini 3 Pro 构建，而 Gemini 3 Pro 被谷歌视为其迄今最“真实”、最可靠、最适合长链推理的旗舰模型版本。谷歌强调，这不仅是性能提升，更是研究型智能体“可依赖性”的质变。

为了构建这样的智能体，谷歌采用了多步强化学习（Reinforcement Learning over Multi-step Trajectories）的训练策略。其目标非常明确：在长达数十步、数百步的复杂研究任务中，AI 必须保持推理路径稳定，减少出现幻觉的概率，并确保连续决策过程中的一致性。

传统 LLM 在长链推理中的主要痛点之一，就是每一步推理都会引入累计误差——只要一个幻觉性的节点，就可能导致整个输出结果失效。谷歌强调，新版 Deep Research 在这一点上取得重大突破：

• 多轮强化学习优化决策序列

• 在冗长任务链中显著减少逻辑偏移

• 更稳定的检索—分析—推理—引用闭环

这使得 Deep Research 可以承担以往 LLM 无法胜任的任务，例如完整执行跨天级研究、政策评估、多源数据整合和全流程尽职调查。

新版 Deep Research Agent 的另一个核心优势是其超大规模上下文处理能力。在 Gemini 3 Pro 的支持下，它可以一次性处理远超以往的资料量，包括学术论文、官方报告、长篇网页内容等，更重要的是，谷歌为 Deep Research 加入了一项“研究级标准能力”：它会为每一条观点、每一个结论自动附上可追溯引用来源。引用不仅是网址链接，而是结构化地指向原文中的关键片段或段落，以确保输出可信、观点可查，用户可进行二次调查与审核 。这使 Deep Research 不是“生成内容”，而是“提供带证据链的研究结果”。

此次版本更新不仅是功能升级，而是谷歌围绕“研究型智能体生态”的一次系统性发布。除了 Deep Research Agent 更新，谷歌还推出两项关键新能力：开源全新网络研究智能体基准：DeepSearchQA 和全新交互 API。

在当前行业中，网络研究型智能体缺乏统一衡量标准。为了证明谷歌取得的进展，谷歌又创建了一个新的基准测试。这个新基准测试名为 DeepSearchQA，旨在测试智能体在复杂的多步骤信息检索任务中的表现。谷歌已将该基准测试开源。

DeepSearchQA 开源地址：

https://www.kaggle.com/benchmarks/google/dsqa/leaderboard

DeepSearchQA 包含 17 个领域共 900 道精心设计的“因果链”任务，每一步都依赖于先前的分析。与传统的基于事实的测试不同，DeepSearchQA 衡量的是全面性，要求智能体生成详尽的答案集。这既评估了研究的精确度，也评估了检索召回率。

对比 pass@8 和 pass@1 的结果，可以证明让智能体探索多条并行路径进行答案验证的价值。这些结果是在 DeepSearchQA 的 200 个提示子集上计算得出的。

全新的 Deep Research Agent 在“人类最后的考试”（HLE）和 DeepSearchQA 测试中取得了最先进的成果，并在 BrowseComp 测试中表现最佳。它经过优化，能够以更低的成本生成高质量的研究报告。

基准测试结果令人惊叹。它基于 Gemini 3 Pro 核心构建，但采用智能体工作流程来实现最先进的性能。统计数据（来自图表）：

• 人类的最后考试（HLE）： 46.4%（显著优于 GPT-5 Pro 的 38.9%）

• DeepSearchQA： 66.1%（略胜 GPT-5 Pro 的 65.2%）

• BrowseComp： 59.2%（与 GPT-5 Pro 不分伯仲）

Gemini Deep Research 在完整的“人类最后的考试”（HLE）数据集上取得了 46.4% 的领先成绩，在 DeepSearchQA 上取得了 66.1% 的成绩，在 BrowseComp 上取得了高达 59.2% 的成绩。

Interactions API 是谷歌此次发布的最具战略意义的能力之一。它让开发者首次能够以结构化方式控制智能体的行为状态、推理步骤、长链任务执行、中间状态存储等，这意味着以前开发者只能“向模型发问”，而现在开发者可以“调教智能体如何执行任务”。

2 网友怎么看？

在谷歌发布新版 Deep Research Agent 后，技术社区的反应同样值得关注。

在 Hacker News 与 Reddit 相关讨论帖中，不少开发者表达了对谷歌此次“真正把 Agent 做成工程化产品”的肯定。

在 Reddit 上，有用户对技术的进步发出感叹：

“太不可思议了！我觉得我们还没有充分意识到这一点。过去三年我们取得的进步简直令人难以置信！”

有网友指出，谷歌首次在产品层面强调“可验证引用”“端到端多步推理稳定性”，是 AI Agent 领域一次明显的进步。

一位自称长期从事合规审阅工作的用户评论说：“如果 Deep Research 真的能做到逐步链路可审计，那将是第一次有大厂真正把 Agent 从玩具推向生产环境。”

但也有观点保持谨慎，一位 Reddit 用户批评道：“谷歌用自家基准证明自己最强，这种事情已经发生过太多次了。我们需要的是在真实网页、真实任务中的第三方测试。”

谷歌这款新 Agent 的发布时间与 OpenAI GPT-5.2 是同一天，自然难逃网友们将两者相比较的命运。

在 Reddit 上，有用户提问这款 Deep Research Agent 与同一时间 OpenAI 发布的 GPT-5.2 相比如何，另一位用户回答称用途不同，但 GPT-5.2 更好。

为了将两者进行更清晰的对比，还有网友找出了 OpenAI 研究员 Sebastien Bubeck

在领英上的发文，在这篇发文中，Sebastien Bubeck 称 GPT-5.2 在人类的最后考试（HLE）中的得分是 45%，而谷歌这款新的 Agent 的得分是 46.4%，略高于 GPT-5.2。

同时，围绕谷歌与 OpenAI 的竞争，也有人发出调侃式评论：“谷歌刚发 Deep Research，OpenAI 就把 Garlic（GPT-5.2）端上来了，这俩公司现在简直是在互相抢发新闻。”

还有人总结这场激烈竞赛的节奏：“这已经不是模型大战，而是发布会大战。”

3 模型能力的“贴身肉搏”越演愈烈

基础模型能力始终是两家公司最具标志性的竞争焦点。

2025 年初，谷歌推出的 Gemini 3 Pro 以其更“真实”、更可依赖、幻觉率更低的特性，试图在长链推理和专业任务场景中重建优势。Gemini 3 Pro 强调检索增强、多模态处理能力以及大规模上下文处理能力，在科研、法律、金融等高可信场景中表现亮眼。

而 OpenAI 在最新发布的 GPT-5.2（Garlic）中，强化了逻辑一致性、工具调用稳定性以及智能体行为的自主性，进一步提升了跨任务泛化能力。内部基准测试显示，GPT-5.2 在推理、代码生成、多轮工具调度方面对 Gemini 保持领先，尤其是在 OpenAI 自研的“连续推理一致性 Benchmark”中表现突出。

两者之间的能力差距被行业评论认为“已进入毫厘级别”——差距常常只体现在特定任务场景，而不再是全局性的优势。

如果说基础模型决定了智能体能否思考，那么智能体平台能力则决定了智能体能否执行任务。

谷歌此次对 Gemini Deep Research Agent 进行全面重构，可视为其正式加入智能体战争的关键节点。

新版 Deep Research Agent 具有三大亮点：

• 基于 Gemini 3 Pro 全面重写推理链路

• 采用多步强化学习训练，保持长链任务中决策一致性，显著降低幻觉概率

• 提供全链路引用，可追溯每个观点的证据来源

这使其从“报告生成工具”升级为“可执行完整研究任务的专业智能体”。更关键的是，谷歌推出了结构化控制智能体行为的 Interactions API，开发者可以对智能体的每一阶段、每一子任务进行高度可控的调度与状态管理。这意味着 Deep Research Agent 不再是谷歌产品线内部的能力，而是一个通用的智能体执行引擎。

OpenAI 的智能体体系则更侧重通用性和自由度。

Agent API、OpenAI Swarm、BrowserAgent、CodeAgent 已形成一个完整的智能体开发框架，加上 GPT-5.2 的推理一致性提升，让其在自动化任务执行、工具调用复杂度和环境适应性上保持优势。

两者竞争的是：未来软件开发将以智能体为核心，而谁掌握了智能体框架标准，谁就掌握了新一代计算范式的主导权。

https://ai.google.dev/gemini-api/docs/deep-research?hl=zh-cn

https://techcrunch.com/2025/12/11/google-launched-its-deepest-ai-research-agent-yet-on-the-same-day-openai-dropped-gpt-5-2/

声明：本文为 InfoQ 翻译整理，不代表平台观点，未经许可禁止转载。

InfoQ 老友！请留步！极客邦 1 号客服上线工作啦！

后续我将通过微信视频号，以视频的形式持续更新技术话题、未来发展趋势、创业经验、商业踩坑教训等精彩内容，和大家一同成长，开启知识交流之旅