ఒక AI సిస్టమ్ గణిత నిరూపణను ప్రశ్నించినప్పుడు
ఒక గణిత పరిశోధనా పత్రం నిపుణుల సమీక్షను దాటినా అందులో ఇంకా ఒక పొరపాటు మిగిలి ఉండవచ్చు. దాన్ని గుర్తించాలంటే ఒక సుదీర్ఘ వాదనను అనుసరించి, సరిగ్గా ఏ ఊహ (assumption) విఫలమవుతుందో పట్టుకోవాల్సి రావచ్చు. Rutgers Universityలో గణిత శాస్త్రవేత్త అయిన Lisa Carbone హై-ఎనర్జీ ఫిజిక్స్, అనంత-పరిమాణ బీజగణితం (infinite-dimensional algebra)పై ఉన్న ఒక ప్రత్యేక పత్రాన్ని సమీక్షించడానికి Gemini Deep Thinkను వాడారని, మానవ పీర్ రివ్యూలో ఎవరి దృష్టికీ రాకుండా దాటిపోయిన ఒక సూక్ష్మమైన తార్కిక లోపాన్ని ఆ సిస్టమ్ గుర్తించిందని Google నివేదిస్తోంది. Google ఫిబ్రవరి 2026 విడుదల పోస్ట్ ఈ సంఘటనను వివరిస్తుంది, Deep Think ప్రొడక్ట్ పేజీ దాన్ని మళ్లీ ప్రస్తావిస్తుంది. ఇది నివేదించిన ఒక్క కేసు మాత్రమే. సాధారణంగా గణిత పత్రాలను ఆ సిస్టమ్ విశ్వసనీయంగా సమీక్షించగలదని ఇది రుజువు చేయదు.
పరిచితమైన ప్రశ్నలకు సమాధానమిచ్చే చాట్‌బాట్ కంటే ఇది మరింత ప్రాధాన్యమున్న ప్రదర్శన. ఇది పరిశోధకులకు, సాంకేతిక నిపుణులకు ఒక ఆచరణాత్మక ప్రశ్నను లేవనెత్తుతుంది: ప్రత్యేకమైన AI రీజనింగ్ కష్టమైన సమస్యలను పరిశోధించడంలో సహాయపడుతూనే, సమాధానం సరైనదో కాదో నిపుణులు నిర్ధారించడానికి సరిపడా ఆధారాలను మిగల్చగలదా?
Google చేసిన Deep Think పనిలో అసాధారణంగా ఉపయోగపడే ఆధారాలు ఉన్నాయి: అమూర్త రీజనింగ్ (abstract reasoning) ఫలితాలు, పోటీ స్థాయి గణిత, భౌతిక శాస్త్ర మూల్యాంకనాలు, శాస్త్రీయ పరిశోధనలో డాక్యుమెంట్ చేసిన ప్రయోగాలు. ఈ ఫలితాలకు ముఖ్యమైన పరిమితులు కూడా ఉన్నాయి, వాటికీ సమానమైన శ్రద్ధ అవసరం.
Deep Think ఒక ప్రత్యేక రీజనింగ్ మోడ్, కోడింగ్-ఏజెంట్ ప్లాట్‌ఫామ్ కాదు
చాలా AI సంభాషణలు సహేతుకంగా వేగవంతమైన సమాధానానికి ప్రాధాన్యం ఇస్తాయి. కఠినమైన గణిత, శాస్త్రీయ ప్రశ్నలకు అనేక సంభావ్య వివరణలను పరిశీలించడం, ఒక వాదనా క్రమాన్ని పరీక్షించడం, ధృవీకరణలో విఫలమైన సమాధానాన్ని వదిలేయడం అవసరం కావచ్చు.
అలాంటి మరింత కష్టమైన పనుల కోసం Google రూపొందించిన ప్రత్యేక విధానమే Deep Think. Google Deep Think ప్రొడక్ట్ పేజీ ప్రస్తుత ఆఫరింగ్‌ను Gemini 3.1 Deep Think అని పిలుస్తుంది, అది Gemini 3.1 Pro ఆధారంగా నిర్మించినదని చెబుతుంది. అదే పేజీ ఫిబ్రవరి 2026 బెంచ్‌మార్క్ గణాంకాలను ఆ పేరుతోనే ప్రచురిస్తుంది, కాగా ఫిబ్రవరి విడుదల పోస్ట్, మూల్యాంకన పద్ధతి (methodology) అదే మూల్యాంకనాన్ని Gemini 3 Deep Think అని పిలుస్తాయి. ఈ కథనం ఆ గణాంకాలను Google నివేదించిన విధంగానే, రెండు పేర్లతోనూ అందిస్తుంది, వాటిని Google చేసిన ఫిబ్రవరి మూల్యాంకనంగానే పరిగణిస్తుంది. అవి ఆ తర్వాత వచ్చిన ప్రతి కాన్ఫిగరేషన్‌కూ కొలత కావు.
ఇన్ఫరెన్స్ సమయంలో చేసే అదనపు రీజనింగ్ పనిని, సాధ్యమైన పరిష్కారాల అన్వేషణను Google బహిరంగంగా వివరిస్తుంది. పూర్తి అంతర్గత రీజనింగ్ ప్రక్రియను ఊహించడానికి సరిపడా అమలు వివరాలను మాత్రం వెల్లడించదు. ఎక్కువ గణన ప్రత్యామ్నాయాలను అన్వేషించడంలో సహాయపడగలదు, కానీ సరైన సమాధానానికి హామీ ఇవ్వలేదు.
Antigravity వేరే Google ప్రొడక్ట్: ఇంజనీరింగ్ పనిని, టూల్స్‌ను సమన్వయం చేసే ఏజెంటిక్ డెవలప్‌మెంట్ ఎన్విరాన్‌మెంట్. ఈ Deep Think రీజనింగ్ మూల్యాంకనాల అంశం అది కాదు.
Google రీజనింగ్ వాదనల వెనుక ఉన్న సంఖ్యలు
Google ఫిబ్రవరి 12, 2026 నాటి అప్‌డేట్ Gemini 3 Deep Thinkకు 84.6% ARC-AGI-2 స్కోర్‌ను నివేదించింది. గుర్తుపెట్టుకున్న ఉదాహరణలపై ఆధారపడటాన్ని సవాలు చేసేలా రూపొందించిన టాస్క్‌లతో ARC-AGI-2 అమూర్త పాటర్న్ రీజనింగ్‌ను మూల్యాంకనం చేస్తుంది. ఈ ఫలితాన్ని semi-private మూల్యాంకన సెట్‌పై ARC Prize ధృవీకరించిందని Google పేర్కొంటుంది. ఈ స్కోర్ ఫిబ్రవరి నాటి కొలత, ప్రస్తుత ఫ్రాంటియర్ లీడర్‌బోర్డ్ స్థానం కాదు. మూల్యాంకన పద్ధతి
అదే పద్ధతి పత్రం 2025 International Mathematical Olympiadలోని ఆరు అధికారిక సమస్యలపై 81.5% నివేదిస్తుంది. ఇది నాలుగు రన్‌ల సగటు, స్వతంత్ర నిపుణుల ద్వారా ప్రామాణిక పరిష్కారాలతో పోల్చి మూల్యాంకనం చేసినది. ఏప్రిల్ నుండి అక్టోబర్ 2025 మధ్య జరిగిన Codeforces పోటీలలోని మధ్యస్థ, అంతకంటే ఎక్కువ కష్టమైన 222 సమస్యలపై ఒకే ప్రయత్నంతో, సొంతంగా లెక్కించిన 3455 Codeforces Elo-సమానమైన రేటింగ్‌ను కూడా అది నివేదిస్తుంది.
శాస్త్రీయ మూల్యాంకనాలు చిత్రాన్ని మరింత విస్తృతం చేస్తాయి. 2025 International Physics Olympiad సైద్ధాంతిక భాగంపై 87.7%, 2025 International Chemistry Olympiad సైద్ధాంతిక భాగంపై 82.8%, కండెన్స్‌డ్-మ్యాటర్ సిద్ధాంతం కోసం CMT-Benchmarkపై 50.5% అని Google నివేదించింది.
ఇవి మేధస్సుకు పరస్పరం మార్చుకోగల ఐదు నిర్వచనాలు కావు. ఒలింపియాడ్ స్కోర్‌లు మూల్యాంకనం చేసిన అనేక రన్‌ల నుండి వచ్చాయి. భౌతిక, రసాయన శాస్త్ర సమాధానాలను Gemini జడ్జ్‌ను ఉపయోగించి రిఫరెన్స్‌లతో పోల్చి గ్రేడ్ చేశారు, బంగారు పతక స్థాయి పనితీరును స్వతంత్ర నిపుణులు ధృవీకరించారని Google నివేదిస్తోంది. CMT-Benchmark pass@8ను, మోడల్ ఆధారిత గ్రేడింగ్‌ను వాడింది. అసలు పద్ధతి PDF ఈ షరతులను స్పష్టంగా పేర్కొంటుంది.
ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం
ARC-AGI-2 (ARC Prize ధృవీకరించింది): 84.6%.
IMO 2025: 81.5%.
IPhO 2025 సిద్ధాంతం: 87.7%.
IChO 2025 సిద్ధాంతం: 82.8%.
CMT-Benchmark (pass@8): 50.5%.
వీటిని Google తన ఫిబ్రవరి 12, 2026 విడుదలలో, పద్ధతి PDFలో నివేదిస్తుంది. ARC Prize ధృవీకరించిన ARC-AGI-2 తప్ప మిగతావన్నీ Google లెక్కించినవి. 3455 అనే Codeforces ఫలితం Elo-సమానమైన రేటింగ్, దాన్ని చార్ట్‌లో చూపలేదు.
| మూల్యాంకనం | నివేదించిన ఫలితం | ఎలా కొలిచారు |
|---|---|---|
| ARC-AGI-2 | 84.6% | ARC Prize ధృవీకరించింది, semi-private సెట్ |
| IMO 2025 | 81.5% | మొత్తం 6 సమస్యలు, 4 రన్‌లు, స్వతంత్ర నిపుణులు గ్రేడ్ చేశారు |
| IPhO 2025 సిద్ధాంతం | 87.7% | మొత్తం 3 సైద్ధాంతిక సమస్యలు, 8 రన్‌లు, జడ్జ్‌గా Gemini, బంగారు పతక స్థాయిని స్వతంత్ర నిపుణులు ధృవీకరించారు |
| IChO 2025 సిద్ధాంతం | 82.8% | మొత్తం 9 సైద్ధాంతిక సమస్యలు, 8 రన్‌లు, జడ్జ్‌గా Gemini, బంగారు పతక స్థాయిని స్వతంత్ర నిపుణులు ధృవీకరించారు |
| CMT-Benchmark | 50.5% | Pass@8, జడ్జ్‌గా Gemini |
| Codeforces | 3455 (Elo-సమానమైన రేటింగ్, శాతం కాదు) | 222 సమస్యలు, ఒకే ప్రయత్నం, సొంతంగా లెక్కించినది |
ఒక స్కోర్ ఆకట్టుకునేలా ఉంటూనే దాని శీర్షిక సూచించే దానికంటే పరిమితమైనదిగా ఉండవచ్చు. భౌతిక శాస్త్ర మూల్యాంకనంలో 87.7% స్కోర్ అంటే, వాస్తవ ప్రపంచంలోని ఏదైనా భౌతిక శాస్త్ర పరిశోధనా ప్రశ్నలలో 87.7% ప్రశ్నలకు ఆ సిస్టమ్ సరైన సమాధానం ఇస్తుందని అర్థం కాదు.
తెలిసిన పరీక్షా సమస్యను పరిష్కరించడం కంటే పరిశోధన కష్టం
ఒలింపియాడ్ సమస్యకు నిర్ధారితమైన సమాధానం ఉంటుంది. పరిశోధనలో తెలిసిన పరిష్కారమే ఉండకపోవచ్చు, లేదా అది అసంపూర్ణమైన సాహిత్యంపై, ఊహించని ప్రతి ఉదాహరణలపై (counterexamples), ఇంకా సేకరించని ప్రయోగాత్మక ఆధారాలపై ఆధారపడి ఉండవచ్చు.
Deep Think ఆధారంగా పనిచేసే పరిశోధనా వర్క్‌ఫ్లో అయిన Aletheiaను ఉపయోగించి Google ఆ కష్టమైన పరిస్థితిని పరిశోధించింది. ఇది సంభావ్య పరిష్కారాలను రూపొందిస్తుంది, వాదనలను తనిఖీ చేస్తుంది, సరిదిద్దగల పొరపాట్లను సవరిస్తుంది, ప్రతిపాదించిన పరిష్కారం మౌలికంగా లోపభూయిష్టమైనప్పుడు అసలు ప్రశ్నకు తిరిగి వెళ్లగలదు. ఈ వర్క్‌ఫ్లో పరిశోధనా సాహిత్యాన్ని శోధించగలదు, ఒక సమస్యను పరిష్కరించలేనప్పుడు ఆ విషయాన్ని అంగీకరించగలదు. Google DeepMind పరిశోధనా నివేదిక
ఆ చివరి ప్రవర్తన ముఖ్యమైనది. సమాధానం ధారాళంగా ఉన్నా, నమ్మదగినట్టు కనిపించే తప్పుడు నిరూపణ పరిశోధనకు బలహీనమైన ఫలితమే. ఒక రీసెర్చ్ అసిస్టెంట్ ఇచ్చే అవుట్‌పుట్‌లో కేవలం ఒప్పించే వివరణ కాకుండా, నిపుణులు స్వతంత్రంగా పరీక్షించగల ఒక వాదన ఉన్నప్పుడే అది మరింత ఉపయోగకరంగా మారుతుంది.
గణిత ప్రశ్నలు, సైద్ధాంతిక కంప్యూటర్ సైన్స్, భౌతిక శాస్త్రంపై జరిగిన పనిని Google వివరిస్తుంది, ఇందులో Erdős ఊహల (conjectures) డేటాబేస్‌లోని 700 అపరిష్కృత సమస్యలపై ఒక అధ్యయనం కూడా ఉంది. ఆ అధ్యయనంలో Aletheia నాలుగు సమస్యలను స్వయంప్రతిపత్తితో (autonomously) పరిష్కరించింది. AI సహాయంతో వచ్చిన ఫలితాల కోసం Google రూపొందించిన సొంత వర్గీకరణ (taxonomy)లో ఆ ఫలితాలను అత్యల్ప స్థాయిలలో ఉంచుతుంది, తన లెవెల్ 3 లేదా లెవెల్ 4 స్థాయిలో ఎలాంటి ఫలితాలను క్లెయిమ్ చేయడం లేదని చెబుతుంది. PhD స్థాయి అభ్యాసాల సమితి అయిన FutureMath Basicపై Deep Thinkకు సుమారు 38%, Aletheiaకు సుమారు 46% అని Google నివేదిస్తోంది.
ఈ ఉదాహరణలు డాక్యుమెంట్ చేసిన కేసులలో పరిశోధనా సహాయానికి ఆధారాలు. అపరిష్కృత గణితంలో సాధారణంగా కొలిచిన విజయ రేటు కావు. అలాగే శోధనను, తనిఖీని ఉపయోగించే వర్క్‌ఫ్లో, అంతర్లీన మోడల్ అందించిన వాటాను దానికి సహాయపడే టూల్స్ నుండి వేరు చేసి చూపదు.
మెరుగైన రీజనింగ్ ఆచరణాత్మక విజ్ఞాన శాస్త్రానికి ఎక్కడ సహాయపడుతుంది
పోటీ బెంచ్‌మార్క్‌లకు వెలుపల జరిగిన ప్రయోగాలను కూడా Google వివరిస్తుంది. గణిత వాదనలను పరిశోధించడానికి, మెటీరియల్స్, భౌతిక పరికరాల డిజైన్‌లో సంభావ్య విధానాలను అభివృద్ధి చేయడానికి పరిశోధకులు Deep Thinkను వాడారు. ఫిబ్రవరి విడుదల క్రిస్టల్-గ్రోత్ పరిస్థితులపై Duke University Wang Labతో చేసిన పనిని వివరిస్తుంది, అది 100 మైక్రోమీటర్ల కంటే పెద్ద థిన్ ఫిల్మ్‌ల కోసం ఒక రెసిపీని ఇచ్చింది. సంక్లిష్టమైన భౌతిక భాగాలను డిజైన్ చేయడంపై Google Platforms and Devices విభాగానికి చెందిన ఒక లీడ్ చేసిన ఇంజనీరింగ్ పరీక్షను కూడా అది వివరిస్తుంది.
వాస్తవ శాస్త్రీయ సమస్యలలో భౌతిక పరిమితులు, ఖర్చులు, కొలత దోషాలు, ఊహించని ఫలితాలు ఉంటాయి కాబట్టి ఈ ఉదాహరణలు ఆశాజనకంగా ఉన్నాయి. అయితే ఉపయోగకరమైన ఒక సంభావ్య రెసిపీ సార్వత్రిక ఆవిష్కరణ యంత్రం కాదు. సంబంధిత ప్రయోగాత్మక వాతావరణంలో నిపుణులు ఫలితాన్ని ధృవీకరించాలి, ప్రచురించిన వివరణలు సంబంధం లేని ప్రయోగశాలలలో పదే పదే విజయం సాధించగలదని నిర్ధారించవు.
సమీప భవిష్యత్తులో అత్యంత బలమైన వినియోగం శోధన పరిధిని కుదించడం, రీజనింగ్‌ను పరీక్షించడం, సంభావ్య పొరపాట్లను కనుగొనడం, ఆశాజనకమైన తదుపరి ప్రయోగాలను గుర్తించడం కావచ్చు. నిర్ణయానికి బాధ్యత మానవ శాస్త్రవేత్త వద్దే ఉన్నా అది అర్థవంతమైనదే.
అదనపు రీజనింగ్ అనిశ్చితిని ఎందుకు తొలగించదు
ఇన్ఫరెన్స్ సమయ గణన (inference-time computation) అంటే, శిక్షణ పొందిన మోడల్ ఒక కొత్త అభ్యర్థనపై పనిచేస్తున్నప్పుడు జరిగే ప్రాసెసింగ్. ప్రత్యేక రీజనింగ్ విధానాలు కష్టమైన సమస్యలకు దీన్ని ఎక్కువగా కేటాయించవచ్చు, దాంతో అదనపు అన్వేషణకు, తనిఖీకి అవకాశం ఉంటుంది.
ఇందులో రాజీ ఏమిటంటే, ఎక్కువ ప్రాసెసింగ్ లేటెన్సీని, గణన ఖర్చును పెంచవచ్చు. అది అదనపు తప్పుడు సంభావ్య వాదనలను కూడా సృష్టించవచ్చు. ఎక్కువ ఆలోచనా సమయానికి, ప్రతి టాస్క్‌పై సరైన సమాధానం వచ్చే సంభావ్యతకు మధ్య స్థిరమైన సంబంధం ఉందని Google బహిరంగ సామగ్రి నిర్ధారించదు.
కాబట్టి Deep Thinkను తుది సమాధానం నాణ్యతతో మాత్రమే కాకుండా, ఆ సమాధానాన్ని ఎలా తనిఖీ చేయవచ్చనే దానితో కూడా అంచనా వేయాలి. గణితంలో ఒక ఫార్మల్ నిరూపణ లేదా రిఫరెన్స్ పరిష్కారం ఉండవచ్చు. మెటీరియల్స్ పరిశోధనకు ఒక ప్రయోగం అవసరం కావచ్చు. అసంపూర్ణమైన వ్యాపార డేటా ఆధారంగా తీసుకునే నిర్ణయానికి వేరే రకమైన ధృవీకరణ అవసరం కావచ్చు.
సరైన ధృవీకరణ పద్ధతి సమస్యపై ఆధారపడి ఉంటుంది. దానికి ప్రత్యామ్నాయంగా నిలిచే ఒక్క బెంచ్‌మార్క్ శాతం కూడా లేదు. ఒక బెంచ్‌మార్క్ సంఖ్య వాస్తవంగా ఏమి కొలిచిందో అడిగే సాధారణ అలవాటును TechiesJournal రూపొందించిన AI మోడల్ వాదనలను ఎలా చదవాలి అనే గైడ్ వివరిస్తుంది.
Deep Think యాక్సెస్
ఫిబ్రవరి 2026 అప్‌గ్రేడ్ సమయంలో, అప్‌డేట్ చేసిన Deep Think మోడ్ Gemini appలో Google AI Ultra సబ్‌స్క్రైబర్లకు అందుబాటులో ఉందని, ఎంపిక చేసిన పరిశోధకులు, ఇంజనీర్లు, సంస్థల కోసం Gemini API ద్వారా ఆసక్తి ఆధారిత ముందస్తు యాక్సెస్ మార్గం ఉందని Google పేర్కొంది. ఇవి విడుదల సమయంలో పేర్కొన్న యాక్సెస్ షరతులు, ఈ రోజు ప్రతి ప్లాన్, ప్రాంతం లేదా API ఆప్షన్‌కు హామీ కాదు. Google విడుదల ప్రకటన Google ప్రస్తుత ప్రొడక్ట్ పేజీ “Try in Gemini” బటన్‌ను అందిస్తుంది, ఏ ప్లాన్, ధర లేదా API షరతులనూ పేర్కొనదు.
ఈ సిస్టమ్‌ను మూల్యాంకనం చేస్తున్న బృందం తనకు ప్రస్తుతం ఉన్న లభ్యతను, నిబంధనలను స్వయంగా తనిఖీ చేసుకోవాలి. ఆ సమస్యకు ప్రత్యేక మోడ్ నిజంగా ప్రయోజనం చేకూరుస్తుందా అని కూడా అడగాలి. సాధారణ సారాంశాలు రాయడం, సూటిగా ఉండే కోడింగ్ అనేవి విస్తృత రీజనింగ్‌పై ఎక్కువ సమయం, గణన వెచ్చించడానికి తప్పనిసరిగా మంచి కారణాలు కావు.
Google అభివృద్ధి చెందుతున్న మోడల్ కుటుంబంలో Deep Think
ప్రత్యేకమైన Deep Think సామగ్రి ఒక ప్రత్యేక రీజనింగ్ ఆఫరింగ్‌పై దృష్టి పెడుతుంది, కానీ Google విస్తృత Gemini కుటుంబం ముందుకు సాగుతూనే ఉంది. నవంబర్ 10, 2026న Google తన తాజా ఫ్రాంటియర్ మోడల్‌గా Gemini 4 Carbonను ప్రకటించింది. దాంతో ఫిబ్రవరి Deep Think కొలతలు వెనక్కి వెళ్లి Carbon కొలతలుగా మారవు, పేరున్న Deep Think మోడ్, Carbon ఒకే ప్రొడక్ట్ అని కూడా అది నిర్ధారించదు. Google Carbon ప్రకటన
ఆచరణలో తేడా ఒక ప్రత్యేక రీజనింగ్ మోడ్‌కు, కొత్త సాధారణ ఫ్రాంటియర్-మోడల్ శ్రేణికి మధ్య ఉంటుంది. Google పురోగతిని అంచనా వేసేటప్పుడు రెండూ ముఖ్యమే, కానీ అవి వేర్వేరు ప్రొడక్ట్ ప్రశ్నలకు సమాధానమిస్తాయి.
Anthropic, OpenAIతో Google పోలిక
Google ఫిబ్రవరి బెంచ్‌మార్క్ సామగ్రి Deep Thinkను గరిష్ఠ thinkingతో Claude Opus 4.6తో, అత్యధిక రీజనింగ్ సెట్టింగ్‌తో GPT-5.2తో పోల్చింది. ప్రొడక్ట్ పేజీ పట్టిక, పద్ధతి PDF దీన్ని చూపుతాయి. ఆ చారిత్రక పోలికలు ఉపయోగకరమైన సందర్భాన్ని ఇస్తాయి, ప్రస్తుత లీడర్‌బోర్డ్ కావు.
మరింత ఇటీవలి, ఒకే బెంచ్‌మార్క్ పోలిక కోసం, ARC Prize ఫలితాల పట్టిక తేదీలతో కూడిన కింది ARC-AGI-2 ఫలితాలను జాబితా చేస్తుంది. మొదటి వరుస Google సొంత ఫిబ్రవరి గణాంకం, దాన్ని ARC Prize ధృవీకరించిందని Google నివేదిస్తోంది, అది ఈ రోజు ఆ పట్టికలో కనిపించదు. మిగతా వరుసలు ARC Prize జాబితాలు.
ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం
Gemini 3 Deep Think (ఫిబ్రవరి 12): 84.6%.
GPT-6 కుటుంబం (సెప్టెంబర్ 2): 95.0%.
GPT-6.1 Sol (సెప్టెంబర్ 29): 94.2%.
Gemini 4 Argon (అక్టోబర్ 13): 91.3%.
Claude Fable 5.2 (నవంబర్ 9): 93.8%.
Gemini 4 Carbon (నవంబర్ 10): 94.2%.
Gemini 3 Deep Think గణాంకం Google సొంత ఫిబ్రవరి ప్రకటన, Google ప్రకారం దాన్ని ARC Prize ధృవీకరించింది. మిగతా వరుసలు నవంబర్ 11, 2026న సమీక్షించిన ARC Prize ఫలితాల పేజీ నుండి తీసుకున్నవి. GPT-6 వరుస Astra, Sol, Luna కోసం ఒక కుటుంబ జాబితా. ఒకే బెంచ్‌మార్క్ మొత్తం సామర్థ్యానికి ర్యాంక్ ఇవ్వదు.
| ప్రొవైడర్, మూల్యాంకనం చేసిన మోడల్ | ARC-AGI-2 స్కోర్, తేదీ |
|---|---|
| Google, Gemini 3 Deep Think | ఫిబ్రవరి 12, 2026న 84.6% (ప్రకటించినది) |
| OpenAI, GPT-6 కుటుంబ జాబితా | సెప్టెంబర్ 2, 2026న 95.0% |
| OpenAI, GPT-6.1 Sol | సెప్టెంబర్ 29, 2026న 94.2% |
| Google, Gemini 4 Argon | అక్టోబర్ 13, 2026న 91.3% |
| Anthropic, Claude Fable 5.2 | నవంబర్ 9, 2026న 93.8% |
| Google, Gemini 4 Carbon | నవంబర్ 10, 2026న 94.2% |
ఈ పట్టిక ఇటీవలి వరుసలలో ఎంపిక చేసినవి మాత్రమే, ARC Prize పేజీ ఇతర మోడళ్లను కూడా జాబితా చేస్తుంది. ఇవి నిర్దిష్ట మూల్యాంకనాల నుండి వచ్చిన, తేదీతో కూడిన ఫలితాలు. ARC Prize GPT-6ను Astra, Sol, Luna అన్నింటినీ కలిపిన ఒకే కుటుంబ వరుసగా జాబితా చేస్తుంది, కాబట్టి ఆ స్కోర్‌ను ఏదో ఒక్క వేరియంట్‌కు ఆపాదించకూడదు. పట్టికలోని నాలుగు అత్యధిక స్కోర్‌లు, 93.8% నుండి 95.0% వరకు, ఒకదానికొకటి 1.2 శాతం పాయింట్ల పరిధిలో ఉన్నాయి. TechiesJournal విశ్లేషణ ప్రకారం, ఒక శాతం పాయింట్ కంటే తక్కువ తేడాను అన్ని అంశాలలో ఒక మోడల్ మరింత తెలివైనదనడానికి రుజువుగా పరిగణించకూడదు.
Google: ఫిబ్రవరి Deep Think ఫలితం గుర్తించదగిన రీజనింగ్ మైలురాయి. ARC Prize Gemini 4 Argonను అక్టోబర్ 13న 91.3% వద్ద, Gemini 4 Carbonను నవంబర్ 10న 94.2% వద్ద జాబితా చేస్తుంది, కాబట్టి ఈ కొలమానంపై విస్తృత Gemini కుటుంబం ఫిబ్రవరి గణాంకాన్ని దాటి ముందుకు వెళ్లింది.
Anthropic: విజ్ఞాన శాస్త్రం, ఇంజనీరింగ్ సహా కఠినమైన సాంకేతిక పని కోసం ఉద్దేశించిన మోడల్‌గా Claude Fable 5.2ను ప్రదర్శిస్తున్నారు. Anthropic నవంబర్ ప్రకటన కోడింగ్, శాస్త్రీయ టాస్క్‌లపై బలమైన పనితీరును నివేదిస్తుంది, ARC-AGI-2 గురించి ప్రస్తావించదు, కాబట్టి 93.8% అనేది ARC Prize జాబితా నుండి వచ్చినది. ఆ ప్రకటనలోని ఫలితాలు Deep Think ఒలింపియాడ్, కండెన్స్‌డ్-మ్యాటర్ మూల్యాంకనాలకు నేరుగా ప్రత్యామ్నాయాలు కావు. TechiesJournal Fable 5.2, Mythos 5.2పై రాసిన మునుపటి కథనం వాటిని వివరిస్తుంది.
OpenAI: ARC Prize GPT-6 కుటుంబాన్ని, GPT-6.1 Solను అధిక ARC-AGI-2 స్కోర్‌లతో జాబితా చేస్తుంది. OpenAI మోడల్ డాక్యుమెంటేషన్ వేరియంట్ల పేర్లను (gpt-6-astra, gpt-6.1-sol, gpt-6-luna) ఇస్తుంది, ARC-AGI-2 గణాంకాలను నివేదించదు, కాబట్టి ఖర్చులు, లేటెన్సీ లేదా పనితీరును పోల్చేటప్పుడు వేరియంట్లను, effort సెట్టింగ్‌లను స్పష్టంగా పేర్కొనాలి. TechiesJournal ఇంతకుముందు చేసిన GPT-6 Astra, Claude Fable 5.1 పోలిక ఈ రెండు వెండర్ల మునుపటి మోడళ్లు ఎలా నిలిచాయో చూపిస్తుంది.
అత్యంత బలమైన ఆచరణాత్మక పోలిక ఒక సార్వత్రిక విజేతను ప్రకటించదు. ఒక ప్రయోగశాల, డెవలపర్ లేదా పరిశోధకుడు ప్రాతినిధ్య సమస్యలపై మోడళ్లను మూల్యాంకనం చేయాలి, స్వతంత్రంగా తనిఖీ చేయగల అవుట్‌పుట్‌లను కోరాలి, ఖర్చును, లేటెన్సీని నమోదు చేయాలి, సమానమైన పరిస్థితులలో వైఫల్య నమూనాలను పోల్చాలి.
అర్థవంతమైన పురోగతి
సాధారణ ప్రశ్నలకు సమాధానాలివ్వడానికి మించిన పనికి AI రీజనింగ్ తోడ్పడగలదని Gemini Deep Think చూపిస్తుంది. నివేదించిన గణిత, శాస్త్రీయ మూల్యాంకనాలు ఎంపిక చేసిన కఠినమైన సమస్యలపై బలమైన పనితీరును ప్రదర్శిస్తాయి. పరిశోధనా సహకారాలు వాస్తవ ప్రశ్నలను పరిశోధించడానికి నిపుణులు ఈ సిస్టమ్‌లను ఎలా వాడటం ప్రారంభిస్తున్నారో చూపిస్తాయి.
మిగిలిన సవాలు ధృవీకరణ. గమనించకుండా పోయిన లోపాన్ని కనుగొనే లేదా విజయవంతమైన ప్రయోగాన్ని సూచించే మోడల్ విలువైనది కావచ్చు, కానీ దాని సమాధానం అది ఉపయోగించే రంగంలోని ఆధారాల ప్రమాణాన్ని తట్టుకుని నిలవాలి.
పరిశోధకులకు, ఇంజనీరింగ్ బృందాలకు ఉపయోగకరమైన తదుపరి అడుగు: కష్టమైన, ధృవీకరించగల ఒక సమస్యను ఎంచుకుని, ప్రత్యేక రీజనింగ్ ఫలితం నాణ్యతను దాని ఖర్చును, సమీక్ష శ్రమను సమర్థించేంతగా మెరుగుపరుస్తుందా అని అంచనా వేయడం.
ప్రజలు సరైనవని స్వతంత్రంగా నిర్ధారించగల నిర్ధారణలకు చేరుకోవడంలో సహాయపడినప్పుడే AI రీజనింగ్ నిజంగా ఉపయోగకరంగా మారుతుంది.
మరింత లోతుగా
మూలాలను నవంబర్ 11, 2026న తనిఖీ చేశాం.
- Google DeepMind: Gemini Deep Think: ప్రస్తుత ప్రొడక్ట్ పరిచయం, బెంచ్‌మార్క్ పట్టిక, పరిశోధనా ఉదాహరణలు.
- Google: Gemini 3 Deep Think అప్‌గ్రేడ్: ఫిబ్రవరి 2026 విడుదల, యాక్సెస్ వివరణ, Carbone, Wang Lab ఉదాహరణలు.
- Google Deep Think మూల్యాంకన పద్ధతి (PDF): బెంచ్‌మార్క్ కాన్ఫిగరేషన్‌లు, గ్రేడింగ్ షరతులు.
- Google DeepMind పరిశోధనా నివేదిక: Aletheia, పరిశోధనా మూల్యాంకనాలు.
- ARC Prize ఫలితాలు: తేదీతో కూడిన స్వతంత్ర బెంచ్‌మార్క్ రికార్డులు.
- Google Gemini 4 Carbon విడుదల: నవంబర్ 2026 మోడల్ కుటుంబ సందర్భం.
- Anthropic Claude Fable 5.2, Mythos 5.2: ప్రస్తుత వెండర్ వాదనలు, లభ్యత.
- OpenAI API మోడల్ కేటలాగ్: ప్రస్తుత మోడల్ ఐడెంటిఫైయర్లు, యాక్సెస్ సమాచారం.