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

Forças
Melhor desempenho reportado em benchmarks científicos; API disponível; agentes verticais (Aletheia) já demonstram valor em pesquisa real.
Fraquezas
Custo por consulta elevado; opacidade do modelo fechado; alucinações persistem em domínios com pouco dado; reprodutibilidade científica frágil.
Oportunidades
Universidades brasileiras podem acelerar grupos pequenos; farmacêutica, química e agro ganham vantagem em portfólio de P&D; EdTech tem novo motor.
Ameaças
Concentração em três fornecedores globais; risco de captura de agenda de pesquisa por prioridades corporativas; volatilidade de preço da API.

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.

Ninja

Na cena de cybersecurity a mais de 25 anos, Ninja trabalha como evangelizador de segurança da informação no Brasil. Preocupado com a conscientização de segurança cibernética, a ideia inicial é conseguir expor um pouco para o publico Brasileiro do que acontece no mundo.

Recent Posts

Google mede contextualidade quântica em até 105 qubits no Willow

Publicado na Science, o experimento ganha o jogo do quadrado mágico em 98,30% das rodadas,…

10 horas ago

BlockJack desvia o cache KV do vLLM entre inquilinos diferentes

Preprint de seis universidades mostra que corromper um único registro da tabela de blocos faz…

10 horas ago

SCKit abusa do ScreenConnect para atacar sessões de técnicos

A Microsoft confirmou a campanha relatada pela ConnectWise e detalhou um kit que inverte o…

10 horas ago

F5 libera hotfixes de emergência para cinco falhas críticas no BIG-IP

Os avisos publicados em 18 de novembro atribuem CVSS 4.0 de 9,3 a cinco estouros…

10 horas ago

Ataque recupera texto exato no aprendizado federado

Preprint do BITS Pilani Goa mostra um cliente comum reconstruindo frases exatas de outros participantes…

1 dia ago

Agile Deliberation: Google treina IA em conceitos subjetivos

Framework do Google Research trata a construção de classificadores subjetivos como conversa iterativa: delimita subconceitos…

1 dia ago