Gemini 3 Deep Think chega à API com foco em ciência: ouro nas Olimpíadas de Física e Química de 2025 e o novo agente Aletheia

Resumo: A Google DeepMind liberou em 1º de julho um upgrade do Gemini 3 Deep Think, seu modo de raciocínio profundo, com foco declarado em ciência, pesquisa e engenharia. É a primeira vez que o Deep Think chega à Gemini API — antes só via app Ultra —, com acesso inicial via early access program para pesquisadores e empresas. O modelo entrega ouro nas Olimpíadas de Física e Química de 2025 e até 90% em benchmarks avançados de prova matemática, e serve de base para o agente de pesquisa Aletheia. Para o mercado corporativo, o recado é claro: raciocínio profundo virou API, e o preço da inteligência de fronteira em problemas científicos entra na conta.

O que a DeepMind lançou

O Gemini 3 Deep Think não é um novo modelo em si — é um modo de operação do Gemini 3.x que aloca mais compute em test time, permite paralelismo de cadeias de raciocínio e usa verificação interna antes de responder. A analogia útil é a de um humano que “pensa mais tempo” antes de escrever a resposta, mas com dezenas de linhas de raciocínio em paralelo, filtrando as promissoras. O resultado prático é ganho em problemas difíceis (matemática, física, química, engenharia) ao custo de latência e tokens.

Nos últimos meses, a Google publicou benchmarks concretos: medalha de ouro na versão escrita da International Physics Olympiad 2025 e da Chemistry Olympiad 2025, além de 90% no IMO-ProofBench Advanced, uma bateria de provas matemáticas usada como proxy para pesquisa. Não é IMO-Gold em provas ao vivo, mas é o teto atual entre modelos disponíveis por API.

Aletheia: o Deep Think dentro de um agente

O anúncio inclui a apresentação do Aletheia, agente de pesquisa em matemática construído sobre o Deep Think. Segundo a DeepMind, Aletheia resolveu de forma autônoma o problema Erdős-1051 e contribuiu com proposições intermediárias em outros dois papers. Um matemático da Rutgers relatou que o Deep Think identificou uma falha lógica sutil em um artigo técnico que havia passado pela revisão por pares humana. O ponto interessante não é a resolução do problema em si; é o desenho: Deep Think vira o motor, Aletheia vira o agente, papers viram o produto final. É o pipeline “LLM como colega de pesquisa” saindo do slide para o repositório.

Por que importa (e o status no Brasil)

Para o Brasil, três leituras práticas. Primeira, universidades e ICTs (institutos de ciência e tecnologia) têm agora acesso, via early access, a um motor de raciocínio comparável ao usado internamente na DeepMind. É um pulo geracional para grupos com poucos alunos de pós, especialmente em matemática aplicada, química computacional e engenharia. Segunda, empresas farmacêuticas, químicas e agrícolas nacionais podem começar a rodar experimentos de literature review profunda, síntese retrosintética assistida e otimização de portfólio de pesquisa. É onde o custo de token vale a pena — problemas em que uma boa hipótese economiza semanas de bancada. Terceira, o ecossistema de EdTech brasileira ganha uma nova ferramenta para ensino de raciocínio matemático em vestibulares e olimpíadas.

No lado corporativo puro, empresas de engenharia e infraestrutura devem considerar Deep Think como “colega sênior de ponta” em revisão de projeto, análise de risco e revisão de patente. É caro para uso corriqueiro, mas competitivo em tarefas de alto valor.

Riscos e limitações

Três alertas. Primeiro, custo. Modos de raciocínio profundo consomem muito mais tokens que uso normal — a diferença pode ser de uma a duas ordens de grandeza. Sem controle de orçamento, o CFO reclama antes do trimestre acabar. Segundo, alucinação sofisticada. Deep Think erra menos, mas quando erra, erra com autoridade e cadeia longa que parece impecável. Verificação humana continua obrigatória em qualquer aplicação com consequência real. Terceiro, ciência computacional exige reprodutibilidade. Modelos fechados via API mudam sem aviso; papers que dependem de saídas específicas precisam registrar versão, temperatura e seed. Sem isso, o resultado não é ciência — é anedota.

Cenário: o que vem em seguida

O jogo de raciocínio profundo se concentra hoje em três players: Google DeepMind (Deep Think), OpenAI (linha de raciocínio dedicada) e Anthropic (extended thinking do Claude). O padrão “motor de raciocínio como serviço + agente vertical em cima” deve virar arquitetura de referência para produtos científicos e de engenharia. Nos próximos 12 meses, é razoável esperar: (i) queda de preço por token em modos de raciocínio, à medida que hardware específico (Blackwell, TPUv7, aceleradores próprios) escala; (ii) modelos abertos com técnicas de raciocínio embutido; (iii) benchmarks científicos mais duros, incluindo experimentos in vivo e in silico com replicação exigida.

Análise SWOT econômica

Conclusão prática

Se você lidera um grupo de pesquisa ou área técnica de P&D, o Deep Think merece um piloto imediato — e não daqui a seis meses. Comece por um problema difícil, específico e valioso: uma prova matemática travada, uma síntese química com muitas rotas possíveis, um projeto de engenharia com trade-offs sutis. Meça três coisas: (1) qualidade da resposta comparada a um especialista humano; (2) custo total em tokens; (3) tempo economizado. Se a matemática do custo-benefício fecha, escale. Se não fecha, arquive o experimento e volte em seis meses — o preço deve cair. E, sempre, registre versão do modelo e seed nos experimentos, para que a ciência que você produzir com o Deep Think ainda seja ciência.

Fonte original: Google DeepMind — Gemini 3 Deep Think: Advancing science, research and engineering. Detalhes técnicos: deepmind.google/models/gemini/deep-think.