今天凌晨4點30，OpenAI推出輕量級版本的Deep research功能提高當前的速率限制，以擴大Plus、Team和Pro用戶的使用范圍。

值得一提的是，從今天開始免費ChatGPT用戶可以使用Deep research，并且支持最新的o4-mini模型。

下面「AIGC開放社區」就用免費版為大家展示一下Deep research的免費功能?，F在打開免費版ChatGPT，你就會發現下面多了一個“深度研究功能”，這個就是Deep research。

例如，我們想寫一份論文，提示詞：我想寫一份關于量子計算的論文，能幫我找一些資料嗎？

ChatGPT會回答你，能否繼續補充一下你寫論文的資料。還列舉了5個案例。

咱們直接回答，就按你說的那5點吧。這個時候你會發現，Deep research已經開始工作，按照那5點開始整合資料了。

這個搜索的時間會按照你提供的主題而定。如果是一個簡單的問題，可能就是幾分鐘，像論文這種需要搜索、整合大量資料的內容，時間就會很長。咱們這個量子計算論文就用了將近25分鐘。

搜索完畢后，ChatGPT會提供所有整合內容，并提供源鏈接幫你節省大量搜索時間。相當的好用，關鍵免費的非常香。

想寫論文、寫旅游攻略、寫小說、金融分析的用Deep research非常高效。

Deep research是OpenAI在今年2月3日發布的AI Agent模型，用戶只需提供一個提示詞，深度研究就能搜索、分析并綜合數百個在線資源，生成一份媲美專業研究分析師水平的全面報告。

最初Deep Research是基于o3 模型的優化版本開發的，并針對網頁瀏覽和數據分析場景進行了專項適配，能夠運用推理能力搜索、解讀和分析互聯網上海量的文本、圖像和 PDF 文件，并根據獲取的信息靈活調整研究方向。

端到端強化學習是 Deep Research 技術的關鍵所在。傳統的機器學習方法在處理復雜任務時，往往需要人為地劃分多個階段進行訓練和優化，而端到端強化學習則讓模型從輸入到輸出進行整體的學習和優化。

Deep Research通過這種學習方式，學會了規劃和執行多步驟的研究軌跡。在面對一個復雜的研究課題時，它能夠像人類研究者一樣，制定出合理的研究計劃，先確定從哪些渠道獲取信息，然后根據獲取到的信息進行分析，判斷下一步的研究方向。

如果在研究過程中發現之前的計劃存在偏差，它還能像經驗豐富的研究者一樣進行回溯，重新調整研究策略，確保最終能得到準確且有價值的結果。

在這個學習過程中，模型不斷地與環境進行交互，從環境反饋中學習最優的行為策略。在瀏覽網頁獲取信息時，模型會根據網頁內容的相關性、可信度等因素，決定是否深入瀏覽該網頁，以及如何提取其中有用的信息。這種基于實時信息進行決策和調整的能力，是 Deep Research 能夠高效完成復雜研究任務的重要保障。

除了端到端強化學習，去除模型的延遲限制也是 Deep Research 的重要技術突破。傳統的大模型為了追求快速響應，往往在處理復雜問題時只能淺嘗輒止，無法進行深入的思考和分析。

Deep Research模型由多個模塊組成，有點類似分層的AI Agent協同工作。信息發現模塊，能夠快速定位到各類網站、文檔、數據庫等信息源，并從中提取出有價值的線索。

當用戶想要了解某一特定疾病的最新研究進展時，信息發現模塊會迅速在學術數據庫、科研機構網站、醫學論壇等多個平臺上搜索相關的論文、研究報告、專家觀點等信息，為后續的分析和綜合提供豐富的素材。

信息發現模塊還具備強大的信息篩選能力。它能夠根據關鍵詞、語義關聯、信息的時效性和可信度等多個維度對搜索到的信息進行初步篩選，排除那些與用戶問題無關或價值較低的信息，大大提高了信息處理的效率和質量。

在篩選過程中，它會運用自然語言處理技術對信息內容進行分析，準確理解信息的含義，確保篩選出的信息與用戶需求高度匹配。

信息綜合模塊，能將來自不同渠道的信息進行整合和梳理，識別出信息之間的邏輯關系，將零散的信息組織成一個有條理的整體。

測試數據方面，“人類最終考試”，是一項涵蓋廣泛知識領域的基準測試。包含約 3000 個簡答題和多項選擇題 ，涉及約 100 個不同學科。結果顯示，Deep Research 模型的準確率達到 26.6%，超過R1、o1、Grok2等知名開閉源模型。

本文素材來源OpenAI，如有侵權請聯系刪除

報告下載

大 佬觀點分享

關于RPA、AI、企業數字化轉型

(點擊文字即可閱讀)

| |

| | |

| | |

| | |

| |

行業知識交流分享，結識擴展人脈圈層

公眾號后臺回復【RPA】或者【流程挖掘】

可受邀加入相關的交流群