谷歌没打招呼，直接把 Deep Research 的底给换了。
4月21日，不少开发者发现自己的 Gemini Deep Research 功能突然显示"繁忙"，还以为是服务又崩了。结果等来的不是故障恢复公告，而是两个全新模型的上线：
- deep-research-max-preview-04-2026
- deep-research-preview-04-2026
一个带 Max，一个不带。命名风格跟之前 Gemini 2.5 Pro / Flash 的分层逻辑一脉相承——Max 版本大概率对应更强的推理能力和更长的执行链路，标准版则在速度和成本之间找平衡。谷歌这次没有发布会、没有博客长文，就这么静悄悄地把模型推上了线。
这很谷歌。
从"功能"到"模型"：Deep Research 的定位在变
回顾一下时间线。
2025年12月，谷歌发布了 deep-research-pro-preview-12-2025，这是 Deep Research 首次以独立模型的形态出现在 Gemini API 中。在那之前，Deep Research 更像是 Gemini 产品里的一个"高级功能"——你在 Gemini 界面里点一下，它帮你跑一轮深度搜索，最后吐出一份带引用的长报告。
但从去年底开始，谷歌显然想把它做成一个可编程的智能体。独立的模型 ID、独立的 API 接口、独立的调用方式——这意味着开发者可以把 Deep Research 嵌入自己的工作流，而不是只能在谷歌的前端界面里用。
这次的两个新模型延续了这个方向，而且走得更远。
Interactions API：不是普通的聊天接口
这次最值得开发者注意的技术细节是：新的 DR 模型仅支持 Interactions API 调用，不走传统的 generateContent 接口。
这不是一个小变化。
Interactions API 是谷歌在新一代 Gemini API 中引入的接口范式，专门为长时间运行的智能体任务设计。和传统的"发一条消息、等一个回复"的请求-响应模式不同，Interactions API 更像是你启动了一个异步任务：模型会自主规划研究路径、分步执行搜索、阅读和分析，中间可能跑几分钟甚至更久，最后返回一份结构化的研究报告。
打个比方：传统 API 调用像发微信语音消息，你说一句它回一句；Interactions API 像是你给一个研究助理发了封邮件，说"帮我调研一下这个课题"，然后他花半小时查资料、整理、写报告，最后把成果发回来。
这种设计对 Deep Research 的场景来说是合理的。一次深度研究任务可能涉及几十次网页搜索、上百页文档的阅读和交叉验证，硬塞进一个同步 HTTP 请求里既不现实也不优雅。
从上一代模型的参数来看，Deep Research 支持的输入上下文窗口为 1,048,576 tokens（约100万），输出上限 65,536 tokens，输入端支持文本、图片、PDF、音频和视频。新版本大概率会保持或扩展这些规格，但谷歌暂未公布具体参数。
以下是通过 Interactions API 调用新模型的基本方式（基于谷歌官方文档推断）：
import google.genai as genai
client = genai.Client()
# 创建一个 Deep Research 交互任务
interaction = client.interactions.create(
model=\"deep-research-max-preview-04-2026\",
messages=[
{
\"role\": \"user\",
\"content\": \"调研2026年Q1全球大模型市场格局变化，重点关注开源与闭源模型的竞争态势，输出一份带引用来源的分析报告。\"
}
]
)
# 轮询或通过回调获取结果
result = client.interactions.get(interaction.id)
print(result.output)
如果你习惯了 OpenAI 兼容格式的 API，也可以通过 OpenAI Hub 等聚合平台来调用 Gemini 系列模型，省去适配不同 SDK 的麻烦——一个 Key 切换不同厂商的模型，对于需要同时对比多家 Deep Research 能力的开发者来说，确实能省不少事。
Max 与标准版：谷歌在押注什么？
两个版本同时发布，谷歌的意图很明确：分层覆盖不同场景。
从命名规律推测：
deep-research-max-preview-04-2026 大概率是"不计成本"的旗舰版。更长的思考链、更多轮的搜索迭代、更强的事实交叉验证能力。适合那些对报告质量要求极高、不在乎等几分钟的场景——比如投研分析、学术文献综述、竞品深度调研。
deep-research-preview-04-2026 则可能是速度和质量的折中。搜索轮次少一些、推理链短一些，但出结果更快、成本更低。适合日常的信息收集和快速摘要。
这种分层策略在大模型行业已经是标配了。OpenAI 有 o3 和 o4-mini，Anthropic 有 Claude Opus 和 Sonnet，谷歌自己的 Gemini 也有 Pro 和 Flash 的区分。但在 Deep Research 这个细分品类里做分层，谷歌是第一个。
这说明谷歌认为 Deep Research 不是一个边缘功能，而是一个值得认真经营的产品线。
竞争格局：Deep Research 赛道已经挤满了人
谷歌加码 Deep Research 的背景是，这条赛道在过去半年里已经变得异常拥挤。
OpenAI 的 Deep Research 由 o3 模型驱动，能处理网页浏览和数据分析，支持文字、图片和 PDF 的多模态输入。从实际使用体验来看，OpenAI 的版本在报告的结构化程度和引用准确性上表现不错，但有时候会陷入"过度搜索"的问题——花了很长时间，最后给你一堆信息但缺乏有效的筛选和判断。
Perplexity 则从搜索引擎的角度切入，它的 Deep Research 更像是"搜索的加强版"，速度快但深度有限。Grok 也在做类似的事情，但目前的完成度还差一截。
谷歌的优势在哪？两个字：数据。
上一代 Deep Research 模型已经支持接入 Gmail 和 Google Drive 的工作区数据，这意味着它不仅能搜公开网页，还能翻你的邮件和文档。对于企业用户来说，这是一个杀手级的差异化能力——你的研究助理不仅能上网查资料，还能翻你过去三年的邮件往来和内部文档，把相关信息整合进报告里。
另一个优势是 Gemini 3 Pro 的事实准确性。谷歌在上一代 DR 模型的介绍中特别强调了这一点，称其推理核心采用了"迄今为止最具事实准确性的 Gemini 3 Pro 模型"。在 Deep Research 这个场景里，事实准确性比创造性重要得多——你要的是可靠的信息综合，不是天马行空的发散。
当然，谷歌的劣势也很明显：开发者生态。OpenAI 的 API 格式已经成了事实标准，大量工具链和框架都是围绕 OpenAI 的接口设计的。谷歌搞一个独立的 Interactions API，虽然技术上更合理，但无形中增加了开发者的迁移成本。
从技术角度看：Deep Research 智能体的核心挑战
抛开产品竞争不谈，Deep Research 作为一类智能体，面临的核心技术挑战其实很一致：
1. 搜索规划能力
一个好的 Deep Research 智能体，不是搜得多就好，而是要知道该搜什么、按什么顺序搜、什么时候该停。这本质上是一个动态规划问题——模型需要根据已有信息实时调整后续的搜索策略。
2. 信息去重与冲突消解
网上的信息大量重复，而且经常互相矛盾。Deep Research 需要识别哪些是一手来源、哪些是转载，当两个来源说法不一致时该信谁。这比单纯的文本理解难得多。
3. 引用的可靠性
生成带引用的报告听起来简单，但要做到每一条引用都准确指向原文中的具体段落，而不是"幻觉"出一个看似合理但实际不存在的引用，这对模型的忠实度要求极高。
4. 长任务的稳定性
一次 Deep Research 任务可能跑几分钟到十几分钟，中间涉及几十次工具调用。任何一个环节出错——搜索超时、页面解析失败、上下文窗口溢出——都可能导致整个任务失败。这对工程化能力的要求远超普通的聊天模型。
谷歌这次推出 Max 版本，很可能就是在第1和第3个挑战上做了重点优化——更多的搜索轮次意味着更充分的信息覆盖，更强的推理能力意味着更可靠的引用和更准确的事实判断。
对开发者意味着什么？
如果你正在构建任何涉及"自动化信息收集和分析"的应用，这次更新值得关注。
几个具体的场景：
- 投研和尽调工具：让 Deep Research 自动跑一轮行业调研，生成初稿，人类分析师在此基础上修改和补充。效率提升是数量级的。
- 竞品监控：定期用 Deep Research 跑竞品分析，自动对比产品变化、定价调整、用户反馈。
- 学术辅助：文献综述的初步筛选和整理，虽然不能替代人类的学术判断，但能大幅缩短前期的信息收集时间。
- 客服知识库更新：自动调研行业新动态，更新内部知识库，保持客服回答的时效性。
但也要注意，这两个模型目前都还是 preview 状态，意味着 API 可能会变、定价可能会调、甚至模型本身的行为也可能在后续版本中发生变化。生产环境里用的话，做好兜底方案。
一个值得思考的趋势
从更宏观的视角看，Deep Research 这个品类的崛起反映了一个重要趋势：大模型正在从"对话工具"变成"工作代理"。
2024年，我们讨论的还是"这个模型聊天聊得怎么样"。2025年，话题变成了"这个模型能不能帮我干活"。到了2026年，问题已经变成了"这个模型能不能独立完成一整个工作流"。
Deep Research 就是这个趋势的典型代表。它不是在跟你聊天，它是在替你工作——自主规划、自主执行、自主整合，最后交付一个成果物。
谷歌、OpenAI、Perplexity 在这条赛道上的竞争，本质上是在争夺"AI 工作代理"这个巨大市场的入口。谁的智能体更可靠、更准确、更易集成，谁就能在下一个阶段占据优势。
谷歌这次的更新，算不上惊天动地，但方向是对的。把 Deep Research 做成分层的、可编程的、可集成的智能体产品线，比把它藏在 Gemini 界面里当一个花哨功能要有前途得多。
至于 Max 版本到底比标准版强多少、跟 OpenAI 的 Deep Research 比起来谁更好用，还得等更多开发者实测之后才能下结论。Preview 阶段，一切都还有变数。
参考来源：
- 谷歌发布两个新的Deep Research模型 - Linux.do — 社区讨论帖，包含新模型名称及 Interactions API 调用方式等关键信息
- 谷歌最新版「深度研究」反击GPT-5.2 - 知乎 — 对 Gemini Deep Research 技术架构和 Gemini 3 Pro 推理核心的分析
- 万字长文深度解析最新Deep Research技术 - GitHub — Deep Research 技术前沿架构综述，涵盖主要玩家的技术路线对比