核心事件
OpenAI发布了一款先进的智能体“深度研究”，它能借助网络搜索和推理生成研究报告。
最新进展
工作原理
底层模型：深度研究智能体基于OpenAI尚未公开的GPT - 3模型构建。这意味着其能力依托于OpenAI在模型研发方面的最新成果，尽管模型细节未公开，但可以推测GPT - 3具备强大的基础能力，为深度研究智能体的功能实现提供支撑。
训练方式：通过强化学习训练该模型，使其能够使用浏览器和Python工具，类似于GPT - 1通过强化学习获得推理能力的方式。强化学习这种训练方式使得模型能够在与环境的交互中不断学习和优化，以更好地完成特定任务，如在网络搜索和利用工具方面不断提升效率和准确性。
交互与处理：
提示要求：团队在发布视频中指出，系统对详细的提示回应最佳，这些提示需明确规定期望的输出，包括所需信息、比较内容以及格式等。详细的提示有助于智能体更准确地理解用户需求，从而生成符合期望的报告。
问题澄清：在回答用户问题之前，深度研究智能体会针对任务提出澄清问题。这一步骤很关键，通过与用户进一步沟通，确保智能体对任务的理解准确无误，避免因误解导致生成的报告不符合要求。
过程展示：回答过程中，系统会展示侧边栏，总结模型的思维链、搜索的术语以及访问的网站等信息。这种展示方式增加了智能体工作过程的透明度，让用户了解报告生成的依据和思路，增强用户对结果的信任。
时间消耗：该系统生成输出结果可能需要长达30分钟。这是因为它需要进行大量的网络搜索、信息整理和推理分析工作，尽管耗时较长，但考虑到其生成报告的复杂性和全面性，这样的时间消耗在一定程度上是可以理解的。
成果展示
基准测试：在一项包含3000道涵盖多学科的选择题和简答题的基准测试中，深度研究智能体准确率达到26.6%。相比之下，DeepSeek - R1（不使用网络浏览或其他工具）准确率为9.4%，GPT - 1（同样不使用工具）准确率为9.1%。这表明深度研究智能体借助网络搜索和工具使用的能力，在知识获取和问题回答方面具有显著优势，远超不具备这些能力的同类模型。
特定测试：在GAIA测试（针对无额外工具的大语言模型设计的难题测试）中，深度研究智能体达到67.36%的准确率，超过之前63.64%的最高准确率。这进一步证明了深度研究智能体在处理复杂、困难问题上的卓越能力，能够突破传统大语言模型在面对特定难题时的局限。
新闻背景
行业竞争：OpenAI的深度研究智能体是在谷歌去年12月推出类似同名产品之后发布的。这显示了科技巨头在智能研究领域的竞争态势，各公司都在努力推出更先进的智能研究工具，以占据市场优势。
开源发展：许多开源团队已构建了类似工作方式的研究智能体。例如，Hugging Face项目尝试在24小时内复现OpenAI的工作（不包括训练部分），在GAIA测试中达到55.15%的准确率；还有早在2023年就实现智能网络搜索功能的gpt - researcher。开源社区的积极参与推动了智能研究技术的发展，不同团队的尝试和创新为整个领域提供了更多思路和方法。
重要意义
模型优势：像GPT - 1或GPT - 3这类推理模型，不仅因其出色的结果令人瞩目，还在于它们得出结果所采用的推理步骤令人印象深刻。这些模型的推理能力为解决复杂问题提供了有效的方法和思路。
功能结合：将推理能力与网络搜索和工具使用相结合，使得大语言模型能够更好地应对难题，尤其是那些答案不在训练数据中或随时间变化的问题。通过网络搜索，模型可以获取最新的信息，借助工具使用和推理能力对信息进行分析和整合，从而给出更准确、更全面的答案，大大拓展了大语言模型的应用范围和实用性。
思考总结
OpenAI的深度研究智能体生成回复需长达30分钟的处理时间，这突出了推理过程对计算资源的高需求。这表明，为了提升智能体的运行效率，减少响应时间，未来需要在计算资源方面进行更多投入和优化，以满足日益增长的复杂任务处理需求。
粤ICP备14082021号
免费POC，
零成本试错
