Deep Review 是 Google 新公開的 AI 文件檢查工具，會找論證、數學與證據的問題。 Google 在 10 月 14 日公告每人每週兩次免費審閱，目前產品 FAQ列出 PDF、文字、Google Docs 與 Google Slides。
準備投稿的台灣研究生，或即將交付設計文件的工程師，可以在提交前多取得一份技術批評，提早補上證據不足的主張。我會以「回饋是否指出可回查原稿的問題」來判斷它有沒有幫上忙，不建議把「AI 審過了」當成正確證明。
找的是論證缺口，不能只把句子改順
Deep Review 的前身是 Paper Assistant Tool，簡稱 PAT。6 月公開的研究論文描述，它會把文件拆成有共同主題的段落，依難度分配計算資源，再由專門的代理檢查。各代理仍持有全文脈絡，最後整合回饋並查核外部資訊。
這種設計想處理長文件的一個問題：錯誤可能跨段落出現。方法章採用的假設，到了結果或結論是否仍成立，不能只看單一句子。多請模型回答幾次也不必然更可靠；論文同時提醒，增加呼叫可能產生更多錯誤指摘，讓人花時間從中篩選。
舉一個假設的技術文件例子：設計目標寫「九成五請求須在指定時間內完成」，結果章卻只列平均延遲。平均值變好，尚不足以支持原來的服務目標。這時有用的回饋應指出兩處指標不相符，讓作者回查分布與測試結果；只把結論改得更有自信，反而會掩蓋缺口。
以上是假設案例。實際收到指摘時，要先核對它引用的原文與推論，再決定補資料、改結論，或保留原文並說明理由。
格式資訊已比發布時更廣。10 月 14 日公告首波列 PDF 與純文字；我們在 10 月 19 日查核的產品 FAQ，已列入 Google Docs 與 Google Slides，也把應用範圍延伸到技術、法律與財務文件。這是目前頁面的支援說明，不是本站逐種格式的實測結果。
超過免費額度後，可提供自己的 Gemini API 金鑰，按底層模型呼叫付費，Deep Review 不另收服務費。產品定價 FAQ以四十頁文件舉例，估計費用依模型與推理設定約為 3 至 20 美元，並明示實際費用會變動。篇幅一樣，不代表每次審閱都收相同金額。
學會回饋顯示價值，也留下人工覆核的工作
學會與研究團隊共同撰寫的 ICML 3 月試行回顧提供了具體觀察：問卷收到 869 份回覆；其中有實驗結果的回覆者，31% 表示工具回饋促使他們補做實驗。這已超過文字潤飾，會影響作者如何支撐論文結論。
但這是參加舊版 PAT 試行者的自陳，不是從所有使用者隨機抽樣，也不是測量每項指摘的正確率。它能支持「部分作者認為回饋值得採取行動」，不能改寫成「十月新版有多少機率抓到你的錯誤」。
NeurIPS 的試行說明也直接列出風險：模型可能把正確陳述標成錯誤，或漏掉真正的漏洞，作者要驗證回饋。這些投稿前建議與正式審查分開，審稿人不會取得該份回饋。ICLR 後續計畫同樣保留這條界線，目的是讓作者改善稿件，而非替會議決定收不收。
台灣研究團隊可在內部討論之前，拿一個具體指摘與共同作者確認是否需要重算、補實驗或改寫主張。如果工具漏讀了前面的條件，應保留有依據的推導，並補清容易誤讀之處。
還有一項新舊差別不能忽略。ICLR 舊計畫安排在回饋交付且計畫完成後七天內永久刪除資料；目前公開版產品頁則寫，文件未經許可不會用於模型訓練，最多保存一年供使用者查看，並可自願同意讓研究團隊用資料改善 Deep Review。不拿來訓練，仍不等於不保存。 未公開合作稿或企業技術文件，要依實際保存條件與合作約定判斷能否上傳。
我的判斷是，Deep Review 值得用來提早發現可查證的問題，價值要看最後修正了什麼。要把這種覆核接到團隊流程，可延伸看評估與驗收方法；對來源與指摘本身的錯誤，則可搭配AI 幻覺辨識。若主要任務是找研究、整理文獻，已有Consensus 使用指南可承接，別把兩種工作混成同一項能力。
常見問題
Google Deep Review 每週兩次免費，支援哪些文件？
每週兩次免費；目前產品 FAQ 列出 PDF、文字、Google Docs 與 Google Slides。額外審閱可連接 Gemini API 金鑰，按底層模型呼叫計費，Deep Review 不另收服務費，並非不限量免費。
文件不拿來訓練，代表審完就刪除嗎？
不是。目前產品頁列出未經許可不拿文件訓練，但最多保存一年，另可自願同意協助改善 Deep Review。舊學會試行的刪除安排不能直接套用到公開版。
Google Deep Review 和 Consensus 的 Deep Review 是同一工具嗎？
不是。本文是 Google 的文件檢查服務；Consensus 也有同名模式，主要依研究問題搜尋及綜整文獻。找資料與檢查一份既有稿件，是不同任務。
參考來源
- Google Research：Analyzing technical documents with Deep Review（2026-10-14）
- Google Research：Deep Review 產品頁與 FAQ（2026-10-19 查核）
- ICML：Retrospective on PAT x ICML 2026 AI Paper Assistant Program（2026-03-30）
- NeurIPS：NeurIPS Supports Authors with Google’s Paper Assistant Tool（PAT）（2026-04-21）
- ICLR：Making Google’s Paper Assistant Tool（PAT）available to ICLR submitters（2026-09-10）
- arXiv：Towards Automating Scientific Review with Google’s Paper Assistant Tool（2026-06-26）