Google ने अपने प्रमुख AI मॉडल Gemini 2.5 Pro के लिए Deep Think मोड की घोषणा की है, जो AI रीजनिंग क्षमताओं में एक बड़ा कदम है।
Deep Think अत्याधुनिक समानांतर सोच तकनीकों का उपयोग करता है, जिससे मॉडल उत्तर देने से पहले कई संभावित समाधानों का एक साथ विश्लेषण और मूल्यांकन कर सकता है। यह तरीका इंसानी विशेषज्ञों के उस दृष्टिकोण से मेल खाता है, जिसमें वे जटिल समस्याओं को सुलझाने के लिए विभिन्न कोणों और परिकल्पनाओं पर विचार करते हैं।
Google DeepMind के CEO डेमिस हसाबिस ने Google I/O 2025 में घोषणा के दौरान बताया, "यह हमारी नवीनतम, अत्याधुनिक रीजनिंग रिसर्च का उपयोग करता है - जिसमें समानांतर सोच तकनीकें शामिल हैं - जिसके परिणामस्वरूप शानदार प्रदर्शन देखने को मिला है।"
नया मोड चुनौतीपूर्ण बेंचमार्क्स पर असाधारण परिणाम दिखा चुका है। इसने 2025 यूनाइटेड स्टेट्स ऑफ अमेरिका मैथमेटिकल ओलंपियाड (USAMO) में शानदार स्कोर हासिल किया, जिसे सबसे कठिन गणितीय बेंचमार्क्स में से एक माना जाता है। Deep Think ने LiveCodeBench पर भी अग्रणी प्रदर्शन किया, जो प्रतियोगिता-स्तरीय कोडिंग के लिए एक कठिन बेंचमार्क है, और MMMU पर 84% स्कोर किया, जो विविध कार्यों में मल्टीमॉडल रीजनिंग का परीक्षण करता है।
Deep Think के अलावा, Google ने Gemini 2.5 परिवार की सुरक्षा में भी उल्लेखनीय सुधार किए हैं। कंपनी ने अप्रत्यक्ष प्रॉम्प्ट इंजेक्शन अटैक्स के खिलाफ उन्नत सुरक्षा उपाय लागू किए हैं—जहां हानिकारक निर्देश उस डेटा में छिपे होते हैं जिसे AI मॉडल प्राप्त करता है। Google के अनुसार, उनकी नई सुरक्षा रणनीति ने Gemini की ऐसे हमलों के खिलाफ सुरक्षा दर को काफी बढ़ा दिया है, जिससे 2.5 सीरीज़ अब तक की सबसे सुरक्षित मॉडल फैमिली बन गई है।
Google Deep Think के रोलआउट को लेकर सतर्क रुख अपना रहा है। कंपनी ने कहा, "चूंकि हम 2.5 Pro DeepThink के साथ फ्रंटियर को परिभाषित कर रहे हैं, इसलिए हम अतिरिक्त समय लेकर और अधिक सुरक्षा मूल्यांकन कर रहे हैं और सुरक्षा विशेषज्ञों से अतिरिक्त इनपुट ले रहे हैं।" शुरुआत में, Deep Think केवल Gemini API के माध्यम से विश्वसनीय टेस्टर्स के लिए उपलब्ध होगा ताकि व्यापक रिलीज से पहले फीडबैक एकत्र किया जा सके।
कंपनी ने Gemini 2.5 Flash में भी सुधारों की घोषणा की, जो गति और कम लागत के लिए डिज़ाइन किया गया अधिक कुशल मॉडल है। अपडेटेड वर्शन 20-30% कम टोकन का उपयोग करता है, जबकि रीजनिंग, मल्टीमॉडलिटी, कोड और लॉन्ग-कॉन्टेक्स्ट बेंचमार्क्स में बेहतर प्रदर्शन देता है।