Note — profil prospectif. Deep Research Preview (
deep-research-preview-04-2026) est l'instantané de préversion d'avril 2026. Le comportement, les capacités et les limites de taux évolueront avant la disponibilité générale.
Deep Research Preview est le niveau base de la ligne Deep Research de Google. Une fenêtre de contexte de 131 072 tokens. La génération augmentée par la recherche comme capacité principale — le modèle tire des sources en direct pendant son exécution plutôt que de s'appuyer uniquement sur ses données d'entraînement, et produit des citations pour les affirmations qu'il fait.
Ce n'est pas un modèle de chat. Ce n'est pas non plus le lourd agent de recherche du niveau Max. Il se situe au milieu comme niveau recherche-et-citation — plus rapide que Max, plus complet qu'un modèle de chat standard avec un outil de recherche ajouté.
Ce qu'il fait concrètement
Vous lui soumettez une question qui bénéficie d'informations actuelles et de citations explicites. Il effectue une recherche web ciblée, lit les résultats les plus pertinents et produit une réponse structurée qui cite le matériel source. Sortie typique :
- Réponse directe à la question.
- Un bref récapitulatif de support, deux à cinq paragraphes selon la forme de la question.
- Citations en ligne vers les sources utilisées.
- Une liste des sources consultées à la fin.
Les exécutions sont plus rapides que le niveau Max de Deep Research et la sortie est plus courte. Vous payez pour la fraîcheur et la fiabilité des citations, pas pour une synthèse cross-sources profonde.
Où il est réellement utile
Quelques charges de travail où ce niveau s'adapte bien :
- Questions sensibles au temps où la coupure d'entraînement du modèle manquerait la bonne réponse.
- Sorties nécessitant des citations où un modèle de chat sans outillage explicite de recherche-et-citation inventerait des références ou refuserait de s'engager.
- Recherches rapides sur de la documentation actuelle, des textes de politique ou des actualités où l'utilisateur a besoin de la réponse plus un lien vers la source.
- Recherche légère qui ne justifie pas le coût de latence d'une synthèse profonde du niveau Max.
Le schéma. Les tâches où vous ouvririez autrement trois ou quatre onglets, liriez dix minutes et écririez un paragraphe correspondent bien à ce modèle. Les tâches nécessitant une heure de lecture devraient aller vers Max. Les tâches où la réponse est déjà dans les données d'entraînement n'ont pas besoin d'augmentation par la recherche.
Quand ce n'est pas le bon outil
Les interactions conversationnelles. Comme le reste de la famille Deep Research, c'est requête-et-réponse, pas chat.
La synthèse profonde sur de nombreuses sources avec des preuves contradictoires. Le niveau Max gère cela mieux. La base preview est plus rapide mais fait moins de lecture.
Tout en dehors de la recherche littérale. Génération de code, débogage, traitement d'images — mauvaise famille entièrement.
Les charges de travail à très grand volume. La boucle recherche-et-citation ajoute de la latence et consomme plus de compute par appel qu'une simple complétion de chat.
Comment il se compare au sein de la famille
Les trois instantanés de préversion Deep Research couvrent différents points sur la courbe profondeur-versus-vitesse :
- Deep Research Preview (avril 2026) — ce modèle. Niveau base, le plus rapide, sorties les plus courtes.
- Deep Research Pro Preview (décembre 2025) — niveau Pro plus ancien, plus de profondeur que la base, boucle agentique un peu plus ancienne.
- Deep Research Max Preview (avril 2026) — niveau le plus profond, exécutions les plus longues, sortie la plus complète.
Commencez par la base preview pour la plupart des charges de travail. Montez vers Pro ou Max quand vous constatez que la base preview laisse des sources importantes non lues ou produit des sorties manquant de la profondeur nécessaire.
Comment il se compare aux autres modèles augmentés par la recherche
Les comparaisons les plus directes sont les modes augmentés par la recherche sur la famille GPT-5 d'OpenAI et la ligne Claude d'Anthropic avec l'outillage de recherche web activé. La forme de la sortie est similaire : une réponse avec citations.
La base Deep Research Preview de Google tend à trouver des sources plus diversifiées qu'une alternative à appel de recherche unique parce que l'agent effectue plusieurs recherches ciblées plutôt qu'une seule large. La sortie est plus structurée par défaut mais moins conversationnelle que ce que GPT-5 avec navigation produit. Claude avec recherche web est le plus prudent, refuse clairement quand les sources divergent, et tend à être plus explicitement hésitant dans la sortie.
Pour les flux de travail interactifs de question-et-raffinement, Claude ou GPT-5 conviennent mieux. Pour les questions en un coup où l'utilisateur veut une réponse complète avec citations et est prêt à attendre quinze à quarante secondes, Deep Research Preview est un bon choix par défaut.
Le tableau par catégorie est sur /benchmarks/intelligence et le classement en temps réel sur /benchmarks/leaderboard.
Qualité des citations en pratique
Deux choses à savoir sur le comportement des citations :
Premièrement, les citations correspondent au contenu réel de la source de façon fiable. Le modèle n'a pas l'habitude de fabriquer des références, et quand il cite un passage d'une source, le passage est généralement présent dans cette source. Ce n'est pas universel parmi les modèles augmentés par la recherche.
Deuxièmement, la couverture des citations penche vers les sources récentes et à fort trafic. Si la bonne réponse à votre question se trouve dans un petit site d'archive, un PDF sur un portail gouvernemental, ou un article académique qui ne ressort pas bien dans la recherche web générale, le modèle est moins susceptible de le trouver.
Notes de déploiement
API Google Gemini standard. Les modèles Deep Research partagent la surface Gemini mais nécessitent un identifiant de modèle explicite.
La latence est la principale considération opérationnelle. Les appels prennent généralement quinze à quarante secondes selon la complexité de la question. Prévoyez cela dans votre UX — montrez la progression, définissez les attentes des utilisateurs.
La disponibilité régionale suit le schéma Vertex AI standard de Google. Les régions UE sont disponibles sur les contrats Enterprise.
Quand l'adopter
Choisissez Deep Research Preview quand :
- Vous avez besoin d'informations actuelles avec des citations explicites.
- La question est plus grande qu'une simple recherche ponctuelle mais plus petite qu'un briefing de recherche de plusieurs heures.
- La fiabilité des citations compte et vous voulez que le modèle refuse clairement quand les sources divergent.
- Une latence de quinze à quarante secondes est acceptable pour votre cas d'usage.
Choisissez autre chose quand :
- La question nécessite un échange interactif pour se raffiner.
- Une latence inférieure à la seconde est requise.
- La question nécessite une synthèse profonde sur de nombreuses sources — le niveau Max convient mieux.
- La réponse est déjà dans les données d'entraînement et la recherche augmentée ajoute de la latence sans valeur.
En résumé. Un outil de recherche de poids moyen solide. Plus rapide que Max, plus complet qu'une alternative chat-plus-recherche, il s'adapte à une bande de charges de travail qui n'avaient pas de réponse propre avant la sortie de cette famille.
Testez-le sur une question d'actualité à /live-test. La qualité des citations est le différenciateur et est la plus facile à évaluer sur vos propres questions.
Dernière vérification technique : 2026-05-22 — Tokonomix.ai
