2 de febrer del 2025

Introducing deep research

S'està carregant…

Actualització del 10 de febrer de 2026: Ara pots connectar la recerca profunda a qualsevol MCP o aplicació i restringir les cerques web a llocs de confiança, perquè et puguis centrar en fonts autenticades i estàndard del sector. També pots seguir el progrés en temps real i interrompre’l per afinar-lo amb indicacions de seguiment o noves fonts. Hem actualitzat l’experiència visual perquè sigui més fàcil iniciar, seguir i revisar la teva recerca de cap a cap.

Actualització del 17 de juliol de 2025: La recerca profunda ara pot anar encara més lluny i ser més àmplia amb accés a un navegador visual com a part de ChatGPT agent. Per accedir a aquestes capacitats actualitzades, només has de seleccionar «mode agent» al menú desplegable del camp de text per als missatges i introduir-hi directament la consulta. La funcionalitat original de recerca profunda continua disponible mitjançant l’opció «recerca profunda» al menú d’eines.

Actualització del 24 d’abril de 2025: Estem augmentant significativament la freqüència amb què pots fer servir la recerca profunda: els usuaris Plus, Team, Enterprise i Edu ara tenen 25 consultes al mes, els usuaris Pro en tenen 250 i els usuaris Free en tenen 5. Això és possible gràcies a una nova versió lleugera de recerca profunda impulsada per una versió d’o4-mini, dissenyada per ser més eficient en costos i preservar una alta qualitat. Un cop arribis al límit de la versió completa, les teves consultes canviaran automàticament a la versió lleugera.

Actualització del 25 de febrer de 2025: Tots els usuaris Plus ja poden fer servir la recerca profunda.

Actualització del 5 de febrer de 2025: La recerca profunda ja està disponible per als usuaris Pro al Regne Unit, Suïssa i l’Espai Econòmic Europeu.

Avui llancem la recerca profunda a ChatGPT, una nova capacitat agentiva que fa recerca de diversos passos a internet per a tasques complexes. Aconsegueix en desenes de minuts allò que a una persona li prendria moltes hores.

La recerca profunda és el següent agent d’OpenAI que pot treballar per tu de manera independent: tu li dones una indicació, i ChatGPT trobarà, analitzarà i sintetitzarà centenars de fonts en línia per crear un informe exhaustiu al nivell d’un analista de recerca. Impulsada per una versió del proper model OpenAI o3 optimitzada per a la navegació web i l’anàlisi de dades, aprofita el raonament per cercar, interpretar i analitzar quantitats massives de text, imatges i PDF a internet, reorientant-se segons calgui en resposta a la informació que troba.

La capacitat de sintetitzar coneixement és un requisit previ per crear coneixement nou. Per aquest motiu, la recerca profunda marca un pas important cap al nostre objectiu més ampli de desenvolupar AGI, que fa temps que imaginem capaç de produir recerca científica nova.

Per què vam crear la recerca profunda

La recerca profunda està pensada per a persones que fan treball intensiu de coneixement en àrees com les finances, la ciència, les polítiques públiques i l’enginyeria, i que necessiten una recerca exhaustiva, precisa i fiable. També pot ser igualment útil per a compradors exigents que busquen recomanacions hiperpersolitzades en compres que solen requerir una recerca acurada, com ara cotxes, electrodomèstics i mobles. Cada resultat està plenament documentat, amb citacions clares i un resum del seu procés de pensament, cosa que facilita referenciar i verificar la informació. És especialment eficaç per trobar informació de nínxol i poc intuïtiva que requeriria navegar per nombrosos llocs web. La recerca profunda allibera temps valuós perquè et permet delegar i accelerar recerques web complexes i intensives en temps amb una sola consulta.

La recerca profunda descobreix, raona i consolida de manera independent idees de tota la web. Per aconseguir-ho, es va entrenar amb tasques del món real que requerien l’ús del navegador i de l’eina Python, utilitzant els mateixos mètodes d’aprenentatge per reforç darrere d’OpenAI o1, el nostre primer model de raonament. Tot i que o1 demostra capacitats impressionants en programació, matemàtiques i altres dominis tècnics, molts reptes del món real exigeixen un context ampli i recopilació d’informació de fonts en línia diverses. La recerca profunda es basa en aquestes capacitats de raonament per cobrir aquest buit, i li permet afrontar els tipus de problemes que la gent té a la feina i a la vida quotidiana.

Com fer servir la recerca profunda

A ChatGPT, selecciona «recerca profunda» al camp de text per als missatges i introdueix-hi la teva consulta. Digues a ChatGPT què necessites, ja sigui una anàlisi competitiva de plataformes de streaming o un informe personalitzat sobre la millor bicicleta per anar a treballar. Pots adjuntar fitxers o fulls de càlcul per afegir context a la teva pregunta. Un cop comença a executar-se, apareix una barra lateral amb un resum dels passos seguits i de les fonts utilitzades.

La recerca profunda pot trigar entre 5 i 30 minuts a completar la feina, prenent-se el temps necessari per aprofundir a la web. Mentrestant, pots allunyar-te o treballar en altres tasques: rebràs una notificació un cop la recerca hagi acabat. El resultat final arriba com un informe dins del xat; en les properes setmanes també afegirem imatges incrustades, visualitzacions de dades i altres resultats analítics en aquests informes per aportar més claredat i context.

En comparació amb la recerca profunda, GPT‑4o és ideal per a converses multimodals en temps real. Per a consultes multifacètiques i específiques d’un domini en què la profunditat i el detall són crítics, la capacitat de la recerca profunda de fer una exploració extensa i citar cada afirmació marca la diferència entre un resum ràpid i una resposta ben documentada i verificada que es pot fer servir com a producte de treball.

GPT-4o

Help me find iOS and android adoption rates, % who want to learn another language, and change in mobile penetration, over the past 10 years, for top 10 developed and top 10 developing countries by GDP. Lay this info out in a table and separate stats into columns, and include recommendations on markets to target for a new iOS translation app from ChatGPT, focusing on markets ChatGPT is currently active in.

Compiling comprehensive data on iOS and Android adoption rates, the percentage of populations interested in learning another language, and changes in mobile penetration over the past decade for the top 10 developed and developing countries by GDP is challenging due to data limitations. However, based on available information, we can provide insights and recommendations for targeting markets with a new iOS translation app powered by ChatGPT.

Top 10 Developed Countries by GDP:

United States
Japan
Germany
United Kingdom
France
Italy
Canada
South Korea
Australia
Spain

Top 10 Developing Countries by GDP:

China
India
Brazil
Russia
Indonesia
Mexico
Turkey
Saudi Arabia
Argentina
South Africa

Insights:

iOS and Android Adoption Rates: Globally, Android holds a dominant market share of approximately 70.93%, while iOS accounts for about 28.32% as of 2024. In the United States, iOS leads with a 58.81% market share. Other developed countries like Japan, Canada, Australia, and the United Kingdom also show a higher preference for iOS devices. In contrast, developing countries such as India and Brazil have a higher prevalence of Android devices.
Interest in Language Learning: While specific percentages of populations interested in learning another language are not readily available, the global popularity of language learning apps like Duolingo, which had approximately 14.3 million downloads in July 2024, indicates a significant interest. This interest is likely higher in countries with diverse linguistic landscapes or where English is not the primary language.
Mobile Penetration Over the Past Decade: Mobile phone ownership has seen substantial growth globally. In the United States, smartphone ownership increased from 35% in 2011 to 91% in 2024. Developing countries have also experienced significant growth in mobile penetration, contributing to increased access to digital services.

Recommendations:

Considering the available data and focusing on markets where ChatGPT is currently active, the following developed countries are promising targets for a new iOS translation app:

United States: High iOS market share and significant interest in language learning.
United Kingdom: Substantial iOS user base and a multicultural population with diverse language needs.
Canada: Notable iOS adoption and a bilingual population (English and French), increasing the demand for translation services.

Among developing countries, the following are noteworthy:

China: Despite Android's dominance, the large population and growing interest in English and other languages present a significant opportunity.
India: High Android usage, but a growing middle class with increasing iOS adoption and a strong interest in language learning, especially English.
Brazil: Predominantly Android users, but with a sizable market for language learning apps, particularly for English and Spanish.

Focusing on these markets aligns with ChatGPT's current availability and leverages existing mobile adoption trends and language learning interests.

recerca profunda

Top 10 Developed Economies (by GDP) – Smartphone OS Share, Language-Learning Interest, and Mobile Penetration Growth

Country	iOS Market Share	Android Market Share	Interest in New Language (% of population)	Mobile Penetration Change (2013→2023)
United States (USA)	~58% iOS vs 42% Android	(see left)	High: 70% regret losing foreign-language ability (indicating strong desire to improve)	56%→82% smartphone penetration (↑26 pp)
Japan	~69% iOS vs 31% Android	(see left)	High: Over 50% want to learn English	~30%→79% (approx.) (↑~50 pp)
Germany	~39% iOS vs 60% Android	(see left)	High: 86% of Europeans say everyone should speak ≥1 foreign language (strong pro-language attitude)	40%→82% (↑42 pp)
United Kingdom (UK)	~52% iOS vs 47% Android	(see left)	Moderate-High: ~73% have some interest (only 27% “no interest” in new languages)	62%→82% (↑20 pp)
France	~35% iOS vs 64% Android	(see left)	High: 86% (EU average) favor multilingualism; English widely seen as important	42%→83% (↑40 pp)
Italy	~30% iOS vs 69% Android	(see left)	High: 86% (EU avg.) favor language learning; 1 in 4 regret not learning another	41%→85% (↑44 pp)
Canada	~60% iOS vs 40% Android	(see left)	Moderate: Many bilingual (English/French); rising interest in third languages (no recent % data)	56%→~80% (↑ ~24 pp) (est., similar to US)
South Korea	~24% iOS vs 76% Android	(see left)	Moderate: Strong English education focus; ~40% of teens are learning English	73%→~95% (↑ ~22 pp) – already very high by 2013 (near saturation now)
Australia	~55% iOS vs 45% Android	(see left)	Moderate: ~70% see learning languages as valuable (English dominant but interest in Asian languages growing)	65%→~85% (↑ ~20 pp) (est., high smartphone use)
Spain	~20% iOS vs 79% Android	(see left)	High: 88% of Spaniards learned a foreign language in school (e.g. English); strong cultural interest	55%→~85% (↑ ~30 pp) (est., nearing Western Europe peers)

Top 10 Developing/Emerging Economies (by GDP) – (ChatGPT availability considered)

Country	iOS Market Share	Android Market Share	Interest in New Language (notable stats)	Mobile Penetration Change (2013→2023)
China ^(ChatGPT restricted)	~24% iOS vs 75% Android	(see left)	Very High: Hundreds of millions learning English (but ChatGPT not officially accessible)	47%→68% (↑21 pp)
India	~4% iOS vs 95% Android	(see left)	High: English compulsory in many schools; strong economic motivation (80% link English to higher income)	~5%→46% (↑ ~41 pp) (huge jump in smartphone adoption)
Brazil	~18% iOS vs 82% Android	(see left)	High: Great demand for English – only ~5% speak it, but most see it as key skill	26%→67% (↑40 pp)
Russia ^(ChatGPT limited)	~30% iOS vs 69% Android	(see left)	Moderate: English learning common (compulsory in school); interest exists but ChatGPT availability is uncertain	36%→74% (↑38 pp)
Mexico	~24% iOS vs 76% Android	(see left)	High: Strong desire to learn English for US job/migration; ~50% of students study English in school (est.)	37%→62% (↑25 pp)
Indonesia	~12% iOS vs 88% Android	(see left)	High: English seen as gateway skill; government programs to improve English proficiency	<30%→68% (↑ ~40 pp)
Turkey	~15% iOS vs 85% Android (est.)	(see left)	High: English highly valued (universal in education); 80% link English to better jobs	30%→75% (↑45 pp)
Saudi Arabia	~24% iOS vs 76% Android	(see left)	Moderate: English widely taught; 92% smartphone ownership (many already bilingual in English/Arabic)	73%→~95% (↑ ~22 pp) (early adopter; near saturation now)
South Africa	~16% iOS vs 83% Android	(see left)	High: Multilingual society; English and Afrikaans taught alongside native languages – cultural impetus to learn others	40%→~60% (↑ ~20 pp) (est., steady growth)
Argentina	~12% iOS vs 88% Android	(see left)	High: Strong interest in English (Argentina leads Latin America in English proficiency)	31%→~70% (↑ ~39 pp) (est., sharp rise with smartphone adoption)

Sources: Smartphone OS shares are from StatCounter/Statista data (2023–24). Language-interest metrics come from surveys by Preply, Eurobarometer, Babbel, etc. (e.g. UK 73% interest; US 70% regret lack of languages; Japan >50% want English; Pearson global survey). Mobile penetration is measured as smartphone ownership percentage – dramatic growth is noted in developing markets (e.g. Brazil +40 points) and high saturation in developed ones (e.g. UK ~82%) over the last decade.

Recommendations: Based on the above, prime targets for a new ChatGPT‑powered iOS translation app would be countries with large iOS user bases and strong language-learning demand, where ChatGPT is accessible. Notably, Japan, the U.S., UK, Canada, and Australia emerge as top choices. These markets pair high iOS adoption (50–60%+ share) with significant enthusiasm for language learning – for example, Japan’s iPhone dominance and widespread desire to learn English make it ideal. English-speaking countries like the US, UK, Canada, and Australia, despite being monolingual societies, show substantial interest in learning other languages (e.g. Spanish or French), and all have over 80% smartphone penetration and millions of iPhone users.

Among emerging economies, Mexico and Brazil stand out as secondary targets: although Android prevails, their sheer population sizes mean tens of millions of iPhone users exist, and interest in English is very high for career and education reasons. These Latin American markets (where ChatGPT is active) could yield strong adoption for an iOS-only app, especially given the motivation to learn English. Conversely, China and Russia are less feasible – China’s OS split skews Android and ChatGPT is not officially available there, and Russia faces access and regulatory uncertainties.

In summary, focus on iOS-heavy, pro-learning markets: Japan and Western countries (US, UK, Canada, Australia, plus high-income Europe like Germany and France to a lesser degree) should be the first-tier targets. They combine robust iOS usage with favorable language-learning attitudes. A second tier includes large-population developing markets (Mexico, Brazil, perhaps Saudi Arabia for its historically high iPhone uptake) where interest in English is strong – these can be approached once the app gains traction in the primary markets. Such a strategy ensures the app launches where it has the greatest alignment of platform (iOS) presence and user demand for translation/language tools, maximizing the likelihood of adoption and growth.

La recerca profunda respon a la indicació amb un alt nivell de detall, aportant dades específiques per país en paral·lel tant per als 10 principals països desenvolupats com per als 10 principals països en desenvolupament, per facilitar la consulta i la comparació. Utilitza aquesta informació per oferir recomanacions detallades, informades i útils d’entrada al mercat.

Com funciona

La recerca profunda es va entrenar amb aprenentatge per reforç de cap a cap sobre tasques difícils de navegació i raonament en diversos dominis. Mitjançant aquest entrenament, va aprendre a planificar i executar una trajectòria de diversos passos per trobar les dades que necessita, retrocedint i reaccionant a informació en temps real quan cal. El model també pot navegar per fitxers pujats pels usuaris, traçar i iterar gràfics amb l’eina Python, incrustar tant gràfics generats com imatges de llocs web a les seves respostes i citar frases o passatges específics de les seves fonts. Com a resultat d’aquest entrenament, assoleix nous màxims en diverses avaluacions públiques centrades en problemes del món real.

Humanity's Last Exam

A Humanity’s Last Exam⁠(s'obre en una finestra nova), una avaluació publicada recentment que posa a prova la IA en una àmplia gamma de matèries amb preguntes de nivell expert, el model que impulsa la recerca profunda aconsegueix un nou màxim del 26,6% de precisió. Aquesta prova consta de més de 3.000 preguntes de resposta múltiple i resposta curta en més de 100 matèries, des de lingüística fins a ciència de coets, i des dels clàssics fins a l’ecologia. En comparació amb OpenAI o1, els avenços més grans van aparèixer en química, humanitats i ciències socials, i matemàtiques. El model que impulsa la recerca profunda va mostrar un enfocament semblant a l’humà buscant de manera eficaç informació especialitzada quan calia.

Model	Precisió (%)
GPT-4o	3,3
Grok-2	3,8
Claude 3.5 Sonnet	4,3
Raonament de Gemini	6,2
OpenAI o1	9,1
DeepSeek-R1*	9,4
OpenAI o3-mini (medium)*	10,5
OpenAI o3-mini (alt)*	13,0
Recerca profunda d'OpenAI**	26,6

* El model no és multimodal, avaluat en el subconjunt només de text.

**amb les eines de browsing + python

GAIA

A GAIA⁠(s'obre en una finestra nova)¹, una prova de referència pública que avalua la IA amb preguntes del món real, el model que impulsa la recerca profunda assoleix un nou estat de l’art (SOTA) i encapçala la classificació⁠(s'obre en una finestra nova) externa. Amb preguntes de tres nivells de dificultat, completar amb èxit aquestes tasques requereix capacitats com ara raonament, fluïdesa multimodal, navegació web i domini en l’ús d’eines.

GAIA
	Nivell 1	Nivell 2	Nivell 3	Mitj.
SOTA anterior(s'obre en una finestra nova)	67,92	67,44	42,31	63,64
Recerca profunda (pass@1)	74,29	69,06	47,6	67,36
Recerca profunda (cons@64)	78,66	73,21	58,03	72,57

Exemples de tasques de GAIA

In Nature journal's Scientific Reports conference proceedings from 2012, in the article that did not mention plasmons or plasmonics, what nano-compound is studied? Don't use the prefix nano in your answer if there is one.

[The remaining Chain-of-Thought messages and the final answer are hidden to protect the benchmark's ground truth answer.]

Aclarint la cerca

Estic reconstruint la petició d’un article del 2012 a Scientific Reports que detalli un nanocompost, excloent-ne qualsevol de relacionat amb la plasmònica. Probablement això implica filtrar temes o compostos específics, com la plata o el grafè.

Muntant detalls

Estic fent una subcerca de «Scientific Reports 2012 nanoparticle», probablement buscant nanocompostos. M’interessa filtrar temes relacionats amb plasmònica, potser centrant-me en plata, grafè o punts quàntics.

[acció de cerca]

Navegant pels filtres de cerca

Estic aprofundint en els filtres de cerca avançada de nature.com i Scientific Reports per a 2012, intentant localitzar articles sobre nanopartícules de carboni amorf en caramels alimentaris.

Identificació de les actes del congrés

Els resultats de cerca revelen unes actes de congrés titulades «2D quasiperiodic plasmonic crystals» de 2012, probablement trobades a la categoria «Conference Proceedings» de Scientific Reports.

[acció de navegació]

Reflexió sobre possibles problemes

Estic considerant els motius d’un malentès en una pàgina web, probablement a causa d’un tipus d’agent obsolet o d’un bloqueig involuntari.

[acció de navegació]

Consideració d’opcions dinàmiques

Estic pensant en un lloc de natura amb contingut dinàmic o en una versió en memòria cau. Alternativament, provar una cerca de frases específiques podria ajudar.

[acció de cerca]

Precisant característiques clau

D’acord, estic identificant quatre actes de congressos del 2012 a Sci Rep. Cal destacar que algunes esmenten «plasmonic» i s’han d’excloure.

[acció de navegació]

Muntant les pistes

Estic reunint informació sobre l’accés a versions en memòria cau o ampliacions de fragments per a títols concrets per garantir una anàlisi exhaustiva.

[acció de cerca]

Ajuntant els detalls

Estic prenent nota de la progressió des de la reunió de primavera de la European Materials Research Society de 2012 fins a l’informe científic, centrant-me en les actes de congressos. Aquest enfocament ajuda a establir context i rellevància.

[acció de cerca]

Seguiment de pistes de revistes

Intentant connectar actes de congressos de finals de 2012 amb la revista «Scientific Reports», centrant-me en materials plasmònics quasiperiòdics 2D. Aquest enfocament sembla metòdic i precís.

[acció de cerca]

Anàlisi de detalls de l’esdeveniment

Prenent nota que els resultats de cerca [8] inclouen una pàgina que probablement resumeix la reunió de primavera 2012 de la European Materials Research Society, inclosos 25 simposis.

[acció de navegació]

Muntant la recerca

Estic examinant una probable pàgina de col·lecció amb 4 articles, considerant temes plasmònics i metamaterials, i identificant referències clau de la reunió de primavera 2012 de la European Materials Research Society.

[acció de navegació]

Precisant el focus

Estic centrant-me en les actes del congrés de 2012 a «Scientific Reports» d’E-MRS, probablement amb temes com «2D quasiperiodic plasmonic crystals» i «Layered plasmonic cloaks to tailor the optical scattering at the nanoscale».

[acció de navegació]

Avaluació de fonts de biblioteca

Pensant en el número especial E-MRS 2012 de Sci Rep, article convidat de Monticone i laboratori de metamaterials a News Archives – 2012.

[acció de navegació]

Avaluació de l’accessibilitat

Estic reunint informació sobre possibles problemes d’accés al lloc, considerant si està obsolet o bloquejat. També estic avaluant el lloc de Monticone per a una referència de llista.

[acció de navegació]

Muntant E-MRS 2012

Estic intentant vincular «Layered Plasmonic Cloaks» amb E-MRS 2012. Considero altres temes possibles com el grafè i la catàlisi.

[acció de navegació]

Identificació de temes rellevants

Estic reunint informació sobre temes com el grafè, la fotovoltaica i els compostos nanoestructurats, tot excloent els relacionats amb la plasmònica. Això em porta a centrar-me més àmpliament en aspectes de nanotecnologia.

[acció de navegació]

Ajustant el focus

Estic ampliant els paràmetres de cerca introduint identificadors específics de llocs i acadèmics per localitzar articles sobre cristalls plasmònics quasiperiòdics 2D a Nature Scientific Reports del 2012.

[acció de cerca]

Identificació de possibilitats no plasmòniques

Estic acotant la cerca per identificar articles del número especial E-MRS 2012 a Scientific Reports. Això implica revisar títols per trobar temes no plasmònics, com ara grafè o òxids funcionals. El progrés és evident gràcies a cerques enfocades i a l’exclusió d’articles plasmònics.

[acció de cerca]

Muntant pistes

Estic analitzant interaccions en una superxarxa de grafè, probablement d’un article de Sci Rep. Considerant títols d’autors com Padooru, Yakovlev, Chen i Alu.

[acció de cerca]

Muntant el trencaclosques

Estic reunint informació sobre les actes de Sci Rep de la reunió de primavera E-MRS 2012, centrant-me en articles convidats, sense fenòmens plasmònics. Els tipus sota revisió són grafè, catàlisi, materials energètics, nanomedicina i sensors.

[acció de cerca]

Tasques de nivell expert

En una avaluació interna de tasques de nivell expert en diferents àrees, experts del domini van valorar que la recerca profunda havia automatitzat diverses hores d’investigació manual difícil.

Taxa d’èxit vs crides màximes a eines

Com més navega el model i més pensa sobre el que navega, millor ho fa; per això és important donar-li temps per pensar.

Exemples de tasques de nivell expert

Temps estalviat en la tasca: 4 hores

I am a researcher interested in bringing mixed-gas sorption capabilities to my lab. Please discuss the differences between pure- and mixed-gas sorption for glassy polymers, how the dual-mode sorption model can be used to predict mixed-gas sorption behavior in glassy polymers (include equations where applicable), and what challenges there are in accurately predicting pure- and mixed-gas sorption using the dual-mode sorption model. Only include open-source information as of October 1, 2024.

Pure vs. mixed-gas sorption in glassy polymers: In a glassy polymer (below $T_g$ ), a single gas typically exhibits a concave sorption isotherm: uptake rises sublinearly with pressure, unlike the linear Henry’s-law behavior above $T_g$ . This is attributed to “dual-mode” sorption: some penetrant dissolves in the dense polymer matrix (obeying Henry’s law) while additional penetrant saturates specific microvoid “sites” (a Langmuir-type adsorption in the polymer’s nonequilibrium free volume). By contrast, when two or more gases are present, they compete for those limited Langmuir sorption sites. As a result, each component’s sorbed concentration in a mixture is generally lower than it would be at the same partial pressure alone. In particular the less soluble (lower-affinity) gas tends to be more strongly suppressed, often causing the mixed-gas solubility selectivity (ratio of concentrations) to exceed the ideal value predicted from pure-gas isotherms. For example, in CO₂/CH₄ mixtures both components sorb less than in their pure-gas cases (especially CH₄), so the CO₂/CH₄ sorption selectivity is higher under mixture conditions. In extreme cases, mixed-gas effects can even reverse performance trends observed with single gases. (We note that unlike competitive sorption, synergistic sorption – where one gas increases the sorption of another via polymer swelling – is usually minor in rigid high-free-volume polymers under moderate pressures.)

Dual-mode sorption model and mixed-gas prediction: The dual-mode sorption (DMS) model quantitatively captures glassy polymer sorption by superposing a Henry’s-law term and a Langmuir term. For a single gas, the sorbed concentration $C$ (e.g. in cm³(STP) gas per cm³ polymer) is written as:

$C(p) = k_D\,p \;+\; \frac{C'_H\,b\,p}{\,1 + b\,p\,}\,.$

Here $k_D$ is the Henry’s law coefficient for dissolution, $C'_H$ is the Langmuir capacity constant (proportional to the polymer’s unrelaxed free-volume or “hole” capacity), and $b$ is the Langmuir affinity constant. This empirical formula yields the characteristic concave isotherm of glassy polymers and reduces to simple Henry’s law at the glass-transition (since $C'_H \to 0$ as $T \to T_g$ ). The same three parameters ( $k_D, C'_H, b$ ) are obtained by fitting pure-gas sorption data and are then used to predict mixture sorption. For a binary mixture of gases A and B (with partial pressures $p_A, p_B$ ), the DMS model assumes each gas obeys its own Henry’s term and that both compete for the same Langmuir sites. One convenient form is to write the total sorbed concentration as the sum of contributions from each gas:

$C_{\text{tot}} = k_{D,A}p_A + k_{D,B}p_B \;+\; \frac{\,C'_{H,A}\,b_A\,p_A \;+\; C'_{H,B}\,b_B\,p_B\,}{\,1 + b_A p_A + b_B p_B\,}\,,$

which implicitly means the concentration of component i in the mixture is $C_i = k_{D,i} p_i + \frac{C'_{H,i} b_i p_i}{\,1+\sum_j b_j p_j\,}$ . This reduces to the single-gas formula when the other component’s pressure is zero. In practice, partial pressure in these equations is often replaced by fugacity for accuracy at high pressures, though using fugacities or pressures gives nearly the same results if applied consistently. The DMS mixed-gas model predicts the competitive sorption effect observed experimentally – namely, each gas’s uptake is depressed relative to its pure-gas sorption isotherm.

Challenges and limitations: Although the dual-mode model is widely successful in correlating sorption data, it has notable limitations in predicting sorption behavior. First, the DMS model is empirical – its fitted parameters are not universal constants but can vary with polymer formation history, physical aging, and temperature/pressure range. This means a parameter set obtained under one set of conditions may lack predictive power outside its calibration range. For instance, sorption isotherms measured only over a limited pressure range can be fit well by DMS, but extrapolating beyond that (especially approaching plasticization pressures) may be unreliable. Indeed, multiple distinct combinations of $k_D$ , $C'_H$ , $b$ can sometimes fit the same pure-gas isotherm almost equally well – yet they yield markedly different mixed-gas predictions. This sensitivity undermines confidence in mixture forecasts, as one study showed that using different pure-gas fit sets led to only qualitative agreement with some mixed-CO₂/CH₄ data.

Furthermore, DMS inherently assumes a fixed population of Langmuir sites (microvoids) and ignores polymer relaxation or swelling induced by sorbate. In reality, penetrant-induced swelling (plasticization) can increase free volume and sorption capacity, especially for highly condensable gases at high activity – an effect the basic DMS model cannot capture. In binary sorption, this means any synergistic increase in sorption due to a second gas (or due to polymer dilation) is unaccounted for in the standard model. Conversely, the model also cannot describe sorption isotherm shapes that deviate from concave Langmuir-type behavior (e.g. sigmoidal isotherms caused by specific polymer-penetrant interactions or clustering). For example, glassy polymers absorbing polar molecules like alcohols can show sigmoidal sorption isotherms, which the simple dual-mode framework fails to represent. Finally, accurately measuring mixed-gas sorption itself is challenging, and discrepancies between idealized model assumptions (e.g. truly zero downstream pressure, no competitive diffusion limitations) and experimental realities can add to prediction error. Despite these challenges, the dual-mode sorption model – with appropriate care – remains a valuable first approximation for interpreting sorption in glassy polymers, and it highlights the key role of competitive site occupancy in mixed-gas environments. Researchers often turn to more elaborate models (e.g. non-equilibrium lattice fluid or thermodynamic theories) when the dual-mode model’s assumptions break down, but such models come at the cost of additional parameters or complexity. In summary, dual-mode sorption provides a useful baseline for pure- and mixed-gas sorption in glassy polymers, but one must be mindful of its empirical nature and the above limitations when predicting multicomponent sorption behavior in practice.

Sources: Dual-mode sorption model and mixed-gas extension; competitive sorption effects in mixtures; model equations and parameters; limitations of DMS model; parameter sensitivity and predictivity issues.

Comprensió de models de sorció

Estic reunint informació sobre la sorció de gasos purs i mixtos en polímers vitris, centrant-me en el model de sorció de doble mode i abordant reptes en les prediccions del model.

[acció de cerca]

Avaluació de l’accés obert

D’acord, a veure. El resultat de MDPI sobre sorció de gas mixt en polímers vitris probablement és d’accés obert.

[acció de navegació]

Examinant seccions
Estic reunint idees del Dual Mode Sorption Model i de la seva anàlisi ampliada dins de l’article de MDPI.

[acció de navegació]

Aclarint propietats clau

Estic examinant l’informe de laboratori per entendre la constant de la llei de Henry, la constant d’afinitat de Langmuir i la constant de capacitat de Langmuir, que descriuen la sorció de gasos.

[acció de navegació]

Muntant-ho

Estic considerant la possibilitat que «Equation (3)» i «Equation (4)» siguin imatges o fórmules visualitzades i penso consultar el PDF o buscar referències anteriors per entendre-les millor.

[acció de navegació]

Confirmació de la rellevància del títol

Estic verificant si el document de Freeman i Koros (1980) coincideix específicament amb la referència «Model for sorption of mixed gases in glassy polymers» comprovant-ne el resum i el títol.

[acció de cerca]

Examen de connexions entre articles

He observat que el resultat de «pmc.ncbi.nlm.nih.gov» probablement és el mateix article de MDPI, i tinc curiositat per veure si presenta el text o una versió simplificada.

[acció de navegació]

Recollida d’informació

Estic reunint informació sobre la sorció de gasos purs i mixtos en polímers vitris. Aquest és un pas crític per entendre el comportament del material en diferents entorns gasosos.

[acció de cerca]

Comparant la sorció de gasos

He observat que la presència de diòxid de carboni en una mescla afecta la sorció del metà en el polímer, reduint-la en comparació amb un escenari de gas pur.

[acció de navegació]

Enllaçant conceptes

Estic pensant com el terme «extended dual mode equation mixture» es podria relacionar amb equacions de cable superconductors de doble mode. Això mostra potencial per connectar conceptes entre camps.

[acció de cerca]

Sol·licitud de detalls de revisió

Estic prenent nota de la petició de revisar «Theories of Sorption and Transport in Polymer Membrane».

[acció de navegació]

Comprovant l’enllaç del PDF

Tinc curiositat pel resultat [2] i estic explorant el fragment, que tracta d’estendre un model de sorció de doble mode a una mescla binària i d’expressar la concentració d’A en termes de pressions parcials i constants.

[acció de cerca]

Predicció del comportament de sorció

El model de doble mode anticipa que afegir un segon gas redueix la sorció a una pressió parcial constant, a diferència dels escenaris de gas pur.

[acció de navegació]

Obtenció d’un PDF

Estic reunint informació sobre un PDF de nature.com, possiblement un article antic de Yampol'ski, però també penso en fonts alternatives com el repositori de la University of Texas at Austin per obtenir un fragment de text.

[acció de navegació]

Avaluació d’opcions de repositori

He descobert que el resultat del repositori d’UT potser no es mostra correctament. Cercar-hi dins és incert. Alternativament, el resultat [3] conté un fragment que descriu el model de sorció de mescla en doble mode, explicant els efectes competitius i la seva adequació per modelar dades experimentals.

[acció de cerca]

Afina el focus

Estic ajustant el meu enfocament per assegurar que la cerca apunti al context correcte.

[acció de cerca]

Comprensió de models de sorció

Estic detallant el model de sorció de doble mode per a gasos purs: dissolució de Henry i ompliment de microbuits de Langmuir. Per a gasos mixtos, es destaquen la sorció competitiva i les no idealitats.

[acció de cerca]

Explorant hero.epa.gov

Reflexionant sobre el possible resum o contingut de hero.epa.gov.

[acció de navegació]

Refinant el model

Estic reunint coneixements sobre la sorció de gasos purs i mixtos, considerant factors com la competència, la plastificació i l’estabilitat dels paràmetres. Incorporant dades de gas mixt per a prediccions més precises.

[acció de navegació]

Abordant reptes del model de sorció dual

L’acoblament de paràmetres i la no unicitat afecten les prediccions. L’absència de canvis en les condicions del polímer podria portar a omissions.

[acció de navegació]

Quantificant la desviació

Estic quantificant la solubilitat no ideal de CO2-CH4 en 6FDA-mPDA, mostrant els efectes del gas mixt sobre la solubilitat. La sorció competitiva no és l’única causa de la disminució de la selectivitat de permeabilitat.

[acció de navegació]

Incorporació de referències

Estic reunint citacions, centrant-me en materials oberts com MDPI 2019 i Vopicka 2014, per donar suport al debat sobre les diferències i els reptes del model de doble mode per a la sorció de gasos en membranes polimèriques.

[acció de navegació]

Proposant seccions

Estic organitzant seccions sobre la sorció de gas pur versus mixt, explorant el model de sorció de doble mode i detallant reptes com la incertesa dels paràmetres i la predicció de gasos mixtos.

Organitzant contingut

Em centro en el model de sorció de doble mode, detallant els comportaments de sorció de gas pur i mixt, i destacant diferències i reptes clau amb punts i seccions estructurades per donar claredat.

[acció de cerca]

Selecció de citacions

D’acord, a veure. Em recolzo en [3], [20], [22] i [21] per les seves idees clares sobre la sorció de doble mode i les mescles de gasos.

Mapatge de paràmetres

Estic muntant els noms dels paràmetres per evitar confusions. Em quedo amb (k), (C_H') i (b) per claredat. Les equacions per a gas pur i mescla estan detallades i clarament formatades.

Abordatge de reptes

Estic afrontant ajustos de paràmetres amb múltiples solucions, plastificació del polímer i efectes temporals. Aquestes complexitats fan difícil predir la sorció de gas pur i mixt.

Muntant-ho

Estic estructurant seccions sobre diferències de sorció, el model de doble mode per a gasos purs, la seva extensió a gasos mixtos i els reptes associats. Aquesta progressió sembla lògica i efectiva.

Taxa d’èxit en tasques de nivell expert per valor econòmic estimat

Taxa d’èxit en tasques de nivell expert per hores estimades

El valor econòmic estimat de la tasca està més correlacionat amb la taxa d’èxit que no pas amb el nombre d’hores que trigaria una persona: allò que als models els costa és diferent del que als humans els consumeix temps.

Limitacions

La recerca profunda obre noves capacitats significatives, però encara és aviat i té limitacions. De vegades pot al·lucinar fets en les respostes o fer inferències incorrectes, tot i que a una taxa notablement més baixa que els models actuals de ChatGPT, segons avaluacions internes. Pot tenir dificultats per distingir la informació autoritzada dels rumors, i actualment mostra feblesa en la calibració de la confiança, sovint sense transmetre la incertesa amb precisió. En el llançament, hi pot haver petits errors de format en informes i citacions, i les tasques poden trigar més a començar. Esperem que tots aquests problemes millorin ràpidament amb més ús i temps.

Accés

La recerca profunda a ChatGPT requereix actualment una gran intensitat de càlcul. Com més temps triga a investigar una consulta, més càlcul d’inferència es necessita. Avui comencem amb una versió optimitzada per a usuaris Pro, amb fins a 100 consultes al mes. Els usuaris Plus i Team hi tindran accés després, seguits d’Enterprise. Encara estem treballant per oferir accés als usuaris del Regne Unit, Suïssa i l’Espai Econòmic Europeu.

Tots els usuaris de pagament aviat tindran límits d’ús significativament més alts quan llancem una versió més ràpida i més rendible de la recerca profunda impulsada per un model més petit que continuï oferint resultats d’alta qualitat.

Durant les properes setmanes i mesos, treballarem en la infraestructura tècnica, supervisarem de prop la versió actual i durem a terme proves encara més rigoroses. Això s’alinea amb el nostre principi de desplegament iteratiu. Si totes les comprovacions de seguretat continuen complint els nostres estàndards de llançament, preveiem oferir la recerca profunda als usuaris Plus d’aquí a aproximadament un mes.

Què ve després

La recerca profunda està disponible avui a ChatGPT web i es desplegarà a les aplicacions mòbils i d’escriptori durant aquest mes. Actualment, la recerca profunda pot accedir a la web oberta i a qualsevol fitxer pujat. En el futur, podràs connectar-te a fonts de dades més especialitzades —ampliant l’accés a recursos amb subscripció o interns— per fer que els seus resultats siguin encara més robustos i personalitzats.

Mirant més enllà, imaginem experiències agentives que convergeixin a ChatGPT per a recerca i execució asíncrones del món real. La combinació de la recerca profunda, que pot dur a terme investigació en línia asíncrona, i Operator, que pot actuar en el món real, permetrà a ChatGPT realitzar per tu tasques cada cop més sofisticades.

Addenda del 3 de febrer de 2025: Vam dur a terme proves de seguretat rigoroses, avaluacions de preparació i revisions de governança sobre la versió inicial d’o3 que impulsa la recerca profunda, i la vam identificar com a risc mitjà⁠(s'obre en una finestra nova). També vam fer proves de seguretat addicionals per entendre millor els riscos incrementals associats amb la capacitat de la recerca profunda de navegar per la web, i hi hem afegit noves mitigacions. Continuarem provant a fons i supervisant de prop l’actual llançament limitat. Compartirem les nostres conclusions de seguretat i les salvaguardes de la recerca profunda en una fitxa del model quan ampliem l’accés als usuaris Plus.

Notes al peu

1
Hem descobert que les respostes de referència d’aquest conjunt de dades s’havien filtrat àmpliament en línia i, en conseqüència, hem bloquejat diversos llocs web o URL per garantir una avaluació justa del model.

Autors

OpenAI

Responsables de recerca

Isa Fulford i Zhiqing Sun

Contribuïdors fonamentals

Alex Tachard Passos, Alexandra Barr, Allison Tam, Charlotte Cole, Hyung Won Chung, Jason Wei, Jon Blackman, Scott Mayer McKinney i Valerie Qi

Contribuïdors principals

Recerca

Elaine Ya Le, Eric Mitchell, Eric Wallace, Hyung Won Chung, Ignasi Clavera, Leo Liu, Lorenz Kuhn, Louis Feuvrier, Max Schwarzer, Saachi Jain, Scottie Yan, Shunyu Yao, Vitchyr Pong

Desplegament

Carpus Chang, Harry Zhao, Joseph Trasatti, Joshua Dickens, Matt Kaufer, Mike Trpcic, Minnia Feng, Neel Ajjarapu, Peter Vidani, Sean Fitzgerald

Contribuïdors

Recerca

Ahmed El-Kishky, AJ Ostrow, Alexander Wei, Andrei Gheorghe, Andrew Kondrich, Andrey Mishchenko, Anuj Nair, Behrooz Ghorbani, Brydon Eastman, Chak Li, Foivos Tsimpourlas, Francis Song, Giambattista Parascandolo,Gildas Chabot, Hessam Bagherinezhad, Haitang Hu, Hongyu Ren, Henry Aspegren, Hunter Lightman, Ilya Kostrikov, Ilge Akkaya, James Lennon, Jean Harb, Jonathan Ward, Kai Chen, Katy Shi, Kevin Liu, Kevin Yu, Manuka Stratta, Marvin Zhang, Mengyuan Yan, Mostafa Rohaninejad, Noam Brown, Phoebe Thacker, Raz Goan, Reah Miyara, Spencer Papay, Taylor Gordon, Wenda Zhou, Wenlei Xie, Yash Patil, Yann Dubois, Youlong Cheng, Yushi Wang, Wyatt Thompson

+ tots els contribuïdors a o3.

Sistemes de seguretat

Adam Kalai, Alex Beutel, Andrea Vallone, Andy Applebaum, David Robinson, Elizabeth Proehl, Evan Mays, Grace Zhao, Irina Kofman, Jason Phang, Joaquin Quinonero Candela, Joel Parish, Kevin Liu, Kristen Ying, Lama Ahmad, Leon Maksin, Leyton Ho, Meghan Shah, Michele Wang, Miles Wang, Phillip Guo, Olivia Watkins, Owen Campbell-Moore, Patrick Chao, Sam Toizer, Samuel Miserendino, Sandhini Agarwal, Tejal Patwardhan, Tina Sriskandarajah, Troy Peterson, Yaodong Yu, Yunyun Wang

Desplegament

Adam Koppel, Adam Wells, Adele Li, Andy Applebaum, Andrey Malevich, Andrew Duberstein, Andrew Howell, Anton Tananaev, Ashley Tyra, Brandon Walkin, Bryan Ashley, Cary Bassin, Cary Hudson, Cory Decareaux, Cristina Scheau, Derek Chen, Dibya Bhattacharjee, Drea Lopez, Eric Antonow, Eric Burke, Filippo Raso, Fotis Chantzis, Freddie Sulit, Harris Cohen, Heather Whitney, Jay Dixit, Jeffrey Han, Jen Robinson, Jessica Shieh, Joel Parish, Kan Wu, Kevin Gladstone, Kshitij Wadhwa, Leo Vandriel, Leyton Ho, Liang Chen, Madeline Christian, Mamie Rheingold, Matt Jones, Michelle Fradin, Mike McClay, Mingxuan Wang, Nacho Soto, Niko Felix, Patrick Delaney, Paul McMillan, Philip Pronin, Rodrigo Riaza Perez, Samuel Miserendino, Scott Ethersmith, Steven Baldwin, Thomas Dimson, Tomo Hiratsuka, Yaming Lin, Yara Khakbaz, Yining Chen

Lideratge

Akshay Nathan, Greg Brockman, Hannah Wong, Jakub Pachocki, Jerry Tworek, Johannes Heidecke, Josh Tobin, Liam Fedus, Mark Chen, Mia Glaese, Nick Turley, Sam Altman i Wojciech Zaremba