Gemini 3 Deep Think abre API para modo de raciocínio criado para problemas de pesquisa complexos

O que o Google lançou, e onde você pode acessar

O Google lançou uma atualização do Gemini 3 Deep Think, o modo de raciocínio que a empresa posiciona como especializado em ciência, pesquisa e engenharia. Duas frentes de acesso chegaram juntas: assinantes do Google AI Ultra já têm o modo atualizado no app Gemini a partir de hoje, e — pela primeira vez — pesquisadores, engenheiros e empresas selecionados podem solicitar acesso antecipado ao Deep Think pela API do Gemini.

Essa abertura da API é o ponto que quem constrói interfaces deve acompanhar de perto. Até agora, o Deep Think vivia dentro do próprio app do Google. Disponibilizá-lo de forma programática significa que as equipes podem construir seus próprios frontends em torno dele, o que muda o que precisa ser projetado.

Mais importante ainda, estamos trabalhando para levar o Deep Think a pesquisadores e profissionais onde eles mais precisam — começando por superfícies como a API do Gemini.Montana Labs

A demo de esboço para impressão 3D é um padrão de frontend, não só um truque de vitrine

A demonstração mais concreta do Google é um pipeline de artefatos em várias etapas: o Deep Think analisa um desenho, modela a forma complexa e gera um arquivo para criar o objeto físico via impressão 3D. Pense nisso como um fluxo de interface — uma entrada (um esboço), um modelo intermediário e um arquivo de saída pronto para download, consumível por outra máquina.

Para equipes de frontend, essa estrutura importa mais do que a impressão em si. Ela sugere uma aplicação que aceita entradas visuais confusas, mostra um modelo interpretado que o usuário pode revisar ou corrigir, e produz um arquivo destinado a outra ferramenta. Nenhuma dessas etapas é uma bolha de chat. Cada uma exige seu próprio recurso de interface: upload, revisão, exportação.

Um modo de raciocínio tão deliberado precisa de uma interface pensada para a espera

O Deep Think é descrito como um modo feito para lidar com problemas que 'não têm limites claros nem uma única solução correta', em que 'os dados costumam ser confusos ou incompletos'. Os exemplos citados pelo Google refletem isso: um matemático da Rutgers usou o modelo para identificar uma falha lógica sutil que a revisão por pares humana não tinha percebido, e o Wang Lab, de Duke, usou o Deep Think para desenvolver uma receita para o crescimento de filmes finos com mais de 100 μm.

Essas não são respostas instantâneas. São computações longas e de alto esforço sobre entradas ambíguas. Um frontend construído sobre essa API não pode assumir que a interação vai ser rápida e fluida. Ele precisa lidar com latência prolongada, mostrar o progresso e apresentar resultados que um especialista da área consiga verificar — porque o valor aqui é uma solução candidata a ser checada, não uma resposta final a ser aceita de cara.

As notas de benchmark definem expectativas que a interface precisa administrar

O Google reporta 48,4% no Humanity's Last Exam sem uso de ferramentas, 84,6% no ARC-AGI-2 verificado pela ARC Prize Foundation, um Elo de 3455 no Codeforces, desempenho equivalente a medalha de ouro na IMO 2025, resultados de nível ouro nas provas escritas das Olimpíadas de Física e Química de 2025, e 50,5% no CMT-Benchmark.

Esses números posicionam o Deep Think como um raciocinador de ponta em matemática, programação, física e química — mas são tetos, não garantias para qualquer consulta específica. Um frontend que promete o rigor de uma olimpíada, ao entregar uma receita de crescimento de cristais ou apontar um erro em uma prova, precisa tratar a etapa de verificação como prioridade, e não como um detalhe secundário.

O recado: essa API transforma o Deep Think de um recurso de chat em um componente sobre o qual você constrói

A mudança específica desse anúncio é que o Deep Think deixa de ser algo que você só usa dentro do app do Google e passa a ser algo que você pode integrar. Isso transfere o trabalho de design para quem constrói a interface: capturar esboços e conjuntos de dados confusos, lidar com tempos longos de raciocínio e apresentar resultados — arquivos, modelos, falhas identificadas — sobre os quais especialistas possam agir.

Para equipes que aplicam IA no dia a dia, o programa de acesso antecipado é a porta de entrada. Mas o trabalho mais difícil não é conseguir a chave da API; é construir um frontend honesto sobre o que um modo de raciocínio deliberado realmente produz — propostas que valem a pena verificar — em vez de disfarçá-lo como um oráculo.