Gå til hovedindhold
OpenAI

2. februar 2025

Udgivelse

Vi præsenterer grundig research

En agent, der bruger avanceret tænkning til at sammenfatte store mængder online-information og fuldføre researchopgaver i flere trin for dig. Tilgængelig for Pro-brugere i dag, Plus og Team bliver de næste.

Prøv på ChatGPT(åbner i et nyt vindue)
Indlæser ...

10. februar 2026 opdatering: Du kan nu forbinde dybdegående research til enhver MCP eller app og begrænse websøgninger til pålidelige hjemmesider, så du kan fokusere på autentificerede kilder, der følger branchestandarder. Du kan også nu spore fremskridt i realtid og afbryde undervejs for at forfine med opfølgende forespørgsler eller nye kilder. Vi har opdateret den visuelle oplevelse, så det er nemmere at starte, spore og gennemgå din research fra start til slut.

Opdatering 17. juli 2025: Dybdegående research kan nu gå endnu grundigere og bredere til værks med adgang til en visuel browser som en del af ChatGPT‑agenten. For at få adgang til disse opdaterede funktioner skal du bare vælge "agenttilstand" fra rullemenuen i skrivefeltet og indtaste din forespørgsel direkte. Den oprindelige funktionalitet for dybdegående research er stadig tilgængelig via indstillingen "dybdegående research" i værktøjsmenuen.

Opdatering den 24. april 2025: Vi øger markant, hvor ofte du kan bruge dybdegående research.Plus-, Team-, Enterprise- og Edu-brugere får nu 25 forespørgsler pr. måned, Pro-brugere får 250, og Free-brugere får 5. Dette er muligt gennem en ny letvægtsversion af dybdegående research drevet af en version af o4-mini, som er designet til at være mere omkostningseffektiv, uden du går på kompromis med den høje kvalitet Når du når din grænse for den fulde version, skifter dine forespørgsler automatisk til letvægtsversionen.

Opdatering 25. februar 2025: Alle Plus-brugere kan nu bruge dybdegående research.

Opdatering 5. februar 2025: Dybdegående research er nu tilgængelig for Pro-brugere i Storbritannien, Schweiz og Det Europæiske Økonomiske Samarbejdsområde.

I dag lancerer vi grundig research i ChatGPT, en ny agentfunktion, der udfører research i flere trin på internettet til komplekse opgaver. Den opnår på ti minutter, hvad der vil tage et menneske mange timer.

Grundig research er OpenAI's næste agent, der kan arbejde selvstændigt for dig – Du giver den en forespørgsel, og ChatGPT finder, analyserer og sammenfatter hundredvis af onlinekilder for at oprette en omfattende rapport på niveau med en researchsanalytiker. Drevet af en version af den kommende OpenAI o3‑model, der er optimeret til webbrowsing og dataanalyse, udnytter den avanceret tænkning til at søge, fortolke og analysere enorme mængder tekst, billeder og pdf'ere på internettet, og tilpasser sig løbende på baggrund af de oplysninger, den møder.

Evnen til at sammenfatte viden er en forudsætning for at skabe ny viden. Derfor markerer grundig research et betydeligt skridt mod vores bredere mål om at udvikle AGI, som vi længe har forestillet os værende i stand til at producere ny videnskabelig research.

Derfor byggede vi grundig research

Grundig research er skabt til mennesker, der udfører videnintensivt arbejde inden for økonomi, videnskab, politik og teknologi, og som har brug for grundig, præcis og pålidelig research. Det kan være lige så nyttigt for kræsne shoppere, der leder efter meget målrettede anbefalinger om køb, der typisk kræver omhyggelig research, som biler, apparater og møbler. Hver output er fuldt dokumenteret med klare referencer og et resumé af dens tænkning, hvilket gør det nemt at referere til og verificere oplysningerne. Det er især effektivt til at finde niche-, ikke-intuitiv oplysninger, som ville kræve, at man gennemsøgte mange websites. Grundig research frigør værdifuld tid ved at give dig mulighed for at aflaste og fremskynde kompleks, tidsintensiv internetresearch med kun én forespørgsel.

Grundig research opdager, ræsonnerer og konsoliderer uafhængigt af hinanden indsigter fra hele nettet. For at opnå dette blev den trænet i virkelige opgaver, der krævede brug af browser og Python-værktøj ved hjælp af de samme forstærkende læringsmetoder bag OpenAI o1, vores første ræsonneringsmodel. Mens o1 demonstrerer imponerende kapaciteter inden for kodning, matematik og andre tekniske områder, kræver mange udfordringer fra den virkelige verden omfattende kontekst og informationsindsamling fra forskellige onlinekilder. Grundig research bygger på disse mulige ræsonnementer og dækker det hul, så den kan påtage sig de typer problemer, folk står overfor i deres arbejds- og hverdagsliv.

Sådan bruges grundig research

I ChatGPT skal du vælge "grundig research" i beskedfeltet og indtaste din forespørgsel. Fortæl ChatGPT, hvad du har brug for – uanset om det er en konkurrenceanalyse af streamingplatforme eller en personlig rapport om den bedste pendlercykel. Du kan vedhæfte filer eller regneark for at tilføje kontekst til dit spørgsmål. Når den begynder at køre, vises en sidebjælke med et resumé af de trin, der er taget, og kilder, der blev brugt.

Grundig research kan tage alt fra 5 til 30 minutter at gennemføre. Den tager den tid, der er nødvendig for at gå i dybden. I mens kan du gå væk eller arbejde på andre opgaver – du får en besked, når researchen er afsluttet. Det endelige output kommer som en rapport i chatten – i løbet af de næste par uger tilføjer vi også indlejrede billeder, datavisualiseringer og andre analytiske outputs i disse rapporter for yderligere klarhed og kontekst.

Sammenlignet med grundig research er GPT‑4o ideel til multimodale samtaler i realtid. Ved komplekse, domænespecifikke anmodninger, hvor dybde og detaljer er afgørende, er grundig researchs evne til at gennemføre omfattende udforskning og citerer hver påstand forskellen mellem et hurtigt resumé og et veldokumenteret, verificeret svar, der kan bruges som et arbejdsprodukt.

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:

  1. United States
  2. Japan
  3. Germany
  4. United Kingdom
  5. France
  6. Italy
  7. Canada
  8. South Korea
  9. Australia
  10. Spain

Top 10 Developing Countries by GDP:

  1. China
  2. India
  3. Brazil
  4. Russia
  5. Indonesia
  6. Mexico
  7. Turkey
  8. Saudi Arabia
  9. Argentina
  10. 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.

Grundig research

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.

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.

Grundig research reagerer på forespørgslen på en meget detaljeret måde og leverer landespecifikke data ved siden af hinanden, for både top 10 udviklede lande og top 10 udviklingslande til let reference og sammenligning. Den anvender disse oplysninger til at levere velinformerede og anvendelige anbefalinger til markedsadgang.

Sådan fungerer det

Grundig research er trænet ved hjælp af end-to-end forstærkende læring på svære browsing- og ræssoneringsopgaver på tværs af en række domæner. Gennem denne træning lærte den at planlægge og udføre et flertrinsforløb for at finde de data, den har brug for, og at gå tilbage og reagere på information i realtid, hvor det er nødvendigt. Modellen er også i stand til at gennemse bruger-uploadede filer, plotte og gentage på grafer ved hjælp af Python-værktøjet, integrere både genererede grafer og billeder fra websteder i dens svar og citere specifikke sætninger eller passager fra dens kilder. Med denne træning når den nye højder på en række offentlige evalueringer med fokus på problemer i den virkelige verden.

Humanity's Last Exam

På Humanity’s Last Exam⁠(åbner i et nyt vindue), en nyligt udgivet evaluering, der tester AI på tværs af en bred vifte af emner med spørgsmål på ekspertniveau, opnår modellen bag grundig research en ny rekord med 26,6 % nøjagtighed. Denne test består af over 3.000 multiple choice-spørgsmål og spørgsmål med korte svar inden for 100 emner fra sprogvidenskab til raketvidenskab, klassikere til økologi. Sammenlignet med OpenAI o1 var der størst fremgang inden for kemi, humaniora og samfundsvidenskab og matematik. Modellen, der driver grundig research, viste en menneskeagtig tilgang ved effektivt at søge specialiserede oplysninger, når det er nødvendigt.

ModelNøjagtighed (%)
GPT-4o3,3
Grok-23,8
Claude 3.5 Sonnet4,3
Gemini-tænkning6,2
OpenAI o19,1
DeepSeek-R1*9,4
OpenAI o3-mini (medium)*10,5
OpenAI o3-mini (høj)*13,0
OpenAI grundig research**26,6
* Modellen er ikke multimodal, evalueret på en delmængde, der kun består af tekst.
**med internetsøgning + python-værktøjer

GAIA

På GAIA⁠(åbner i et nyt vindue)1, et offentligt benchmark, der evaluerer AI på spørgsmål fra den virkelige verden, når modellen, der driver grundig research, nye højder (SOTA) og toppede den eksterne rangliste⁠(åbner i et nyt vindue). Omfattende spørgsmål i tre sværhedsgrader, vellykket gennemførelse af disse opgaver kræver evner, herunder ræsonnement, multimodal udtryksevne, webbrowsing og færdigheder til brug af værktøjer.

GAIA
Niveau 1Niveau 2Niveau 3Gennemsnitlig
Forrige SOTA(åbner i et nyt vindue)67,9267,4442,3163,64
Grundig research (pass@1)74,2969,0647,667,36
Grundig research (cons@64)78,6673,2158,0372,57

Eksempler på GAIA-opgaver

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.]

Afklaring af søgningen

Jeg er ved at sammenstykke en anmodning til en artikel fra 2012 i Scientific Reports, der beskriver en nanosammensætning uden nogen relaterede plasmoner. Dette involverer sandsynligvis filtrering af specifikke emner eller kemiske forbindelser, som sølv eller grafen.

Sammenstykning af detaljer

Jeg under-søger "Scientific Reports 2012 nanopartikler" og søger sandsynligvis efter nanosammensætninger. Interesseret i at fjerne plasmon-relaterede emner, og muligvis fokusere på sølv, grafen og kvanteøer.

[søgehandling]

Sådan navigerer du i søgefiltre

Jeg gennemgår avancerede søgefiltre på nature.com og videnskabelige rapporter fra 2012 og prøver at finde artikler om amorf carbon-nanopartikler i karameller.

Sådan identificerer du konferenceberetninger

Søgeresultatet afslører en konferenceberetninger med titlen "2D quasiperiodic plasmonic crystals" fra 2012, der sandsynligvis er fundet under kategorien "konferenceberetninger" i Scientific Reports.

[browse handling]

Overvejelse af mulige problemer

Jeg overvejer årsagerne til en misforståelse af websiden, sandsynligvis på grund af en forældet agenttype eller utilsigtet blokering.

[browse handling]

Overvejelse af dynamiske valgmuligheder

Jeg tænker på en natur-webside med dynamisk indhold eller en cached version. Alternativt kan en søgning efter specifikke sætninger måske hjælpe.

[søgehandling]

Identifikation af nøglefunktioner

OK, jeg identificerer fire konferenceberetninger fra 2012 i Sci Rep. Nogle nævner "plasmonisk" og bør udelukkes.

[browse handling]

Sammenstykning af indsigter

Jeg indsamler oplysninger om adgang til cached versioner eller uddragsudvidelser for bestemte titler for at sikre en omfattende analyse.

[søgehandling]

Sammenlægning af detaljerne

Jeg bemærker progressionen fra 2012 European Materials Research Society’s forårsmøde til den videnskabelige rapport med fokus på konferenceberetninger. Denne tilgang hjælper med at fastslå kontekst og relevans.

[søgehandling]

Sporing af ledetråde i dagbøger

Forsøger at forbinde konferenceberetninger fra slutningen af ​​2012 med "Scientific Reports"-tidsskrift med fokus på plasmoniske 2D-kvasiperiodiske materialer. Denne tilgang føles metodisk og nøjagtig.

[søgehandling]

Analyse af begivenhedsoplysninger

Bemærker at søgeresultaterne [8] inkluderer en side, der sandsynligvis opsummerer 2012 European Materials Research Society’s forårsmøde, inklusive 25 symposier.

[browse handling]

Sammenstykning af research

Jeg undersøger en sandsynlig samlingsside med 4 artikler, der ser på plasmoniske og metamaterialeemner og identificerer vigtige litteraturhenvisninger fra 2012 European Materials Research Society’s forårsmøde.

[browse handling]

Identificering af fokus

Jeg fokuserer på konferenceberetningen fra i 2012 i "Scientific Reports" fra E-MRS, der sandsynligvis involverer emner som "2D quasiperiodic plasmonic crystals" og "Layered plasmonic cloaks to tailor the optical scattering at the nanoscale."

[browse handling]

Evaluering af bibliotekstkilder

Tænker på særudgave E-MRS 2012, Sci Rep – inviteret artikel af Monticone og metamaterialelab ved Nyhedsarkiv – 2012.

[browse handling]

Vurdering af tilgængelighed

Jeg indsamler info om potentielle problemer med adgang til website, og tager forældet status eller blokeringer i betragtning. Evaluerer også Monticone-websitet for en listehenvisning.

[browse handling]

Sammenstykning af E-MRS 2012

Jeg prøver at forbinde "Layered Plasmonic Cloaks" til E-MRS 2012. Overvejer andre mulige emner som grafen og katalyse.

[browse handling]

Identificerer relevante emner

Jeg indsamler oplysninger om emner som grafen, fotovoltaik og nanostrukturerede sammensætninger og udelukker dem, der er plasmonisk-relaterede. Dette får mig til at fokusere mere bredt på nanoteknologiske aspekter.

[browse handling]

Justering af mit fokus

Jeg udvider søgeparametrene ved at indtaste specifikke sted- og forskeridentifikatorer for at finde artikler om "2D quasiperiodic plasmonic crystals" i Nature Scientific Reports fra 2012.

[søgehandling]

Identificering af ikke-plasmoniske muligheder

Jeg indsnævrer søgningen for at identificere artikler fra 2012 E-MRS-specialnummeret i Scientific Reports. Dette involverer kontrol af titler for ikke-plasmoniske emner, som grafen eller funktionelle oxider. Fremskridt er tydelig gennem fokuserede søgninger og udelukkelse af plasmoniske artikler.

[søgehandling]

Sammenstykning af ledetråde

Jeg analyserer interaktioner i en grafen-supergitter, sandsynligvis fra en Sci Rep-artikel. Overvejer titler af forfattere som Padooru, Yakovlev, Chen og Alu.

[søgehandling]

Sammenstykning af puslespillet

Jeg indsamler oplysninger om E-MRS 2012 forårsmødets Sci Rep-beretninger med fokus på inviterede afhandlinger uden plasmoniske fænomener. Typer under gennemgang er grafen, katalyse, energimaterialer, nanomedicin og sensorer.

[søgehandling]

Opgaver på ekspertniveau

I en intern evaluering af opgaver på ekspertniveau på tværs af en række områder blev grundig research bedømt af domæneeksperter til at have automatiseret flere timers vanskelige, manuelle undersøgelser. 

Beståelsesrate vs. Max Tool Calls
BeståelsesrateMax Tool Calls
Jo mere modellen søger på nettet og tænker over, hvad den søger og finder, jo bedre klarer den sig, og derfor er det vigtigt at give den tid til at tænke.
Eksempler på opgaver på ekspertniveau
Tid sparet på opgave: 4 timer

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 TgT_g), a single gas typically exhibits a concave sorption isotherm: uptake rises sublinearly with pressure, unlike the linear Henry’s-law behavior above TgT_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 CC (e.g. in cm³(STP) gas per cm³ polymer) is written as:

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

Here kDk_D is the Henry’s law coefficient for dissolution, CH′C'_H is the Langmuir capacity constant (proportional to the polymer’s unrelaxed free-volume or “hole” capacity), and bb 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 CH′→0C'_H \to 0 as T→TgT \to T_g). The same three parameters (kD,CH′,bk_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 pA,pBp_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:

Ctot=kD,ApA+kD,BpB  +   CH,A′ bA pA  +  CH,B′ bB pB  1+bApA+bBpB  ,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 Ci=kD,ipi+CH,i′bipi 1+∑jbjpj 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 kDk_D, CH′C'_H, bb 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.

Forståelse af sorptionsmodeller

Jeg indsamler oplysninger om sorption af rene og blandede gasser i glasagtige polymerer med fokus på dual-mode-sorptionsmodellen og på udfordringer i forbindelse med modelforudsigelser.

[søgehandling]

Adgang til frit tilgængelig

Ok, lad mig se. Resultatet fra MDPI om sorption af blandede gasser i glasagtige polymerer er sandsynligvis frit tilgængeligt.

[browse handling]

[browse handling]

Undersøgelse af afsnit
Jeg samler indsigt fra sorptionsmodellen med dual-mode og dens udvidede analyse inden for MDPI-afhandlingen.

[browse handling]

Afklaring af nøgleegenskaber

Jeg undersøger laboratorierapporten for at forstå Henrys lovkonstant, Langmuirs affinitetskonstant og Langmuirs kapacitetskonstant, der beskriver gassorption.

[browse handling]

Sammenstykning

Jeg ser på muligheden for, at "ligning (3)" og "ligning (4)" kan være billeder eller formelskærme og overvejer at konsultere pdf’en eller søge efter tidligere litteraturhenvisninger for bedre at forstå dem.

[browse handling]

Bekræftelse af titelrelevans

Jeg verificerer, om dokumentet fra Freeman og Koros (1980) specifikt matcher referencemodellen til sorption af blandede gasser i glasagtige polymerer" ved at kontrollere dets resumé og titel.

[søgehandling]

Undersøgelse af artikelforbindelser

Jeg bemærkede, at resultatet fra "pmc.ncbi.nlm.nih.gov" sandsynligvis er den samme MDPI-artikel, og jeg er nysgerrig efter at se, om den præsenterer teksten eller en forenklet version.

[browse handling]

[browse handling]

[browse handling]

Indsamling af oplysninger

Jeg indsamler oplysninger om sorption af rene og blandede gasser i glasagtige polymerer. Dette er et kritisk trin i forståelsen af ​​materialets opførsel under forskellige gasmiljøer.

[søgehandling]

Sammenligning af gassorption

Jeg bemærkede, at kuldioxidens tilstedeværelse i en blanding påvirker metansorptionen i polymer, hvilket reducerer metansorptionen sammenlignet med et rent gasscenarie.

[browse handling]

Sammenkobling af koncepter

Jeg tænker på, hvordan udtrykket "udvidet ligningsblanding i dobbelttilstand" kan relateres til superledende kabelligninger i dobbelttilstand. Dette viser potentiale for at sammenkoble koncepter på tværs af felter.

[søgehandling]

Anmodning om revisionsdetaljer

Jeg bemærker anmodningen om at gennemgå "teorier om sorption og transport i polymermembran."

[browse handling]

Kontrollerer pdf-link

Jeg er nysgerrig efter resultat [2] og udforsker uddraget, som involverer at udvide en sorptionsmodel i dual-mode til en binær blanding og udtrykke koncentration af A med hensyn til delvist tryk og konstanter.

[søgehandling]

Forudsigelse af sorptionsadfærd

Modellen i dobbelttilstand forventer, at tilsætning af en anden gas reducerer sorption ved et konstant delvist tryk, i modsætning til rene gas-scenarier.

[browse handling]

Henter en pdf

Jeg samler oplysninger fra en pdf på nature.com, muligvis en ældre Yampol'ski-artikel, men tænker på alternative kilder som University of Texas på Austin Repository for et tekstuddrag.

[browse handling]

Evaluering af opbevaringsmuligheder

Jeg har opdaget, at UT-depotresultatet muligvis ikke vises korrekt. Søgning deri er usikkert. Alternativt indeholder resultat [3] et uddrag, der beskriver sorptionsmodellen med dual-mode, der forklarer konkurrencedygtige effekter og dens tilstrækkelighed i udformning af eksperimentelle data.

[søgehandling]

Finjustering af fokus

Jeg justerer min tilgang for at sikre, at søgningen er rettet mod den rigtige kontekst.

[søgehandling]

Forståelse af sorptionsmodeller

Jeg gennemgår sorptionsmodellen i dual-mode for rene gasser: Henry opløser og Langmuir mikrovoidfyldning. For blandede gasser fremhæves konkurrencedygtig sorption og ikke-idealiteter.

[søgehandling]

Udforskning af hero.epa.gov

Gennemtænker hero.epa.govs potentielle resumé eller indhold.

[browse handling]

Finjustering af modellen

Jeg indsamler indsigt i ren og blandet gassorption under hensyntagen til faktorer som konkurrence, blødgøring og parameterstabilitet. Inkorporering af data om blandet gas for mere nøjagtige forudsigelser.

[browse handling]

Behandling af udfordring med dobbelt sorptionsmodeller

Parameterkobling og ikke-unikhed påvirker forudsigelser. Fravær af polymertilstandsændriger kan føre til forglemmelser.

[browse handling]

Kvantificering af afvigelse

Jeg kvantificerer ikke-ideel CO2-CH4 opløselighed i 6FDA-mPDA, der viser blandede gasvirkninger på opløselighed. Konkurrencedygtig sorption er ikke den eneste årsag til tilbagegang af permeabilitetsselektivitet.

[browse handling]

Inkorporering af litteraturhenvisninger

Jeg samler referencer med fokus på åbent kildematerialer som MDPI 2019 og Vopicka 2014 for at støtte diskussionen om forskelle og udfordringer i modellen med dual-mode til gassorption i polymermembraner.

[browse handling]

Forslag til afsnit

Jeg organiserer afsnit på ren vs blandet gassorption, undersøger sorptionsmodellen med dual-mode og detaljerede udfordringer som parameterusikkerhed og blandet gasforudsigelse.

Organisering af indhold

Jeg fokuserer på sorptionsmodellen med dual-mode, detaljerede rene og blandede gassorptionsadfærd og fremhæver nøgleforskelle og udfordringer med listepunkter og strukturerede afsnit for mere klarhed.

[søgehandling]

Valg af referencer

Ok, lad mig se. Jeg hælder til [3], [20], [22] og [21] for deres klare indsigt i sorptioner med dual-mode og gasblandinger.

Kortlægning af parametre

Jeg samler parameternavne for at undgå forvirring. Jeg holder mig til (k), (C_H') og (b) for mere klarhed. Ligningerne for ren gas og blanding er detaljerede og tydeligt formateret.

Håndtering af udfordringer

Jeg håndterer parameterpasninger med flere opløsninger, polymeropblødning og tidsmæssige virkninger. Disse forviklinger gør det vanskeligt at forudsige sorption af rene og blandede gasser.

Sammenstykning

Jeg strukturerer sektioner om sorptionsforskelle, dual mode-modellen for rene gasser, dens udvidelse til blandede gasser og de tilknyttede udfordringer. Denne progression virker logisk og effektiv.

Beståelsesrate for opgaver på ekspertniveau efter estimeret økonomisk værdi
BeståelsesrateEstimeret økonomisk værdi
Beståelsesrate for opgaver på ekspertniveau efter estimerede timer
BeståelsesrateEstimerede timer
Den anslåede økonomiske værdi af en opgave hænger mere sammen med beståelsesraten end med, hvor mange timer det ville tage et menneske – de ting, modeller har svært ved, er anderledes end det, mennesker finder tidskrævende.

Begrænsninger

Grundig research åbner op for betydelige nye muligheder, men det er stadig tidligt, og der er begrænsninger. Den kan undertiden hallucinere fakta i svar eller drage forkerte konklusioner, dog med en noget lavere hastighed end eksisterende ChatGPT‑modeller, ifølge interne evalueringer. Den kan have svært ved at skelne autoritativ information fra rygter og viser i øjeblikket svaghed i forhold til kalibrering af tillid og formår ofte ikke at formidle usikkerhed præcist. Ved lanceringen kan der være mindre formateringsfejl i rapporter og referencer, og det kan tage længere tid at starte opgaver. Vi forventer, at alle disse problemer hurtigt forbedres med mere brug og tid.

Adgang

Grundig research og ChatGPT er i øjeblikket meget beregningstung. Jo længere tid det tager at undersøge en forespørgsel, jo mere inferensberegning er der brug for. Vi starter med en version, der er optimeret til Pro-brugere i dag med op til 100 forespørgsler om måneden. Plus- og Team-brugere er de næste, der får adgang efterfulgt at Enterprise. Vi arbejder stadig på at give adgang til brugere i Storbritannien, Schweiz og Det Europæiske Økonomiske Samarbejdsområde. 

Alle betalte brugere får snart markant højere brugsgrænse, når vi lancerer en hurtigere, mere omkostningseffektiv version af grundig research drevet af en mindre model, der stadig giver resultater af høj kvalitet. 

I de kommende uger og måneder arbejder vi på den tekniske infrastruktur og overvåger nøje den aktuelle udgave og udfører endnu flere streng tests. Dette stemmer overens med vores princip om iterativ implementering. Hvis alle sikkerhedskontroller fortsætter med at leve op til vores standarder, forventer vi at lancere grundig research til Plus-brugere om cirka en måned.

Kommende tiltag

Grundig research er tilgængelig i dag på ChatGPT web og vil blive rullet ud til mobil- og desktop-apps inden for måneden. I øjeblikket har grundig research adgang til det åbne net og eventuelle uploadede filer. I fremtiden vil du være i stand til at oprette forbindelse til mere specialiserede datakilder, hvilket udvider adgangen til abonnementsbaserede eller interne ressource og gør output endnu mere robust og personlig.

Når vi ser længere frem, forudser vi, at agentiske oplevelser samles i ChatGPT til asynkron research og udførelse i den virkelige verden. Kombinationen af grundig research, der kan udføre asynkrone onlineundersøgelser, og Operator, der kan handle i den virkelige verden, vil gøre det muligt for ChatGPT at udføre stadig mere sofistikerede opgaver for dig.

3. februar 2025 – tilføjelse: Vi udførte strenge sikkerhedstests, beredskabsevalueringer og ledelsesgennemgange af den tidlige version af o3, som driver grundig research og identificerede den som Middel⁠(åbner i et nyt vindue) risiko. Vi kørte også yderligere sikkerhedstests for bedre at forstå forøgede risici forbundet med grundig researchs evne til at browse på internettet, og vi har tilføjet nye afbødninger. Vi fortsætter med at teste og overvåge den aktuelle begrænsede udgivelse nøje. Vi deler vores sikkerhedsmæssige indsigt og sikkerhedsforanstaltninger for grundig research på et systemkort, når vi udvider adgangen til Plus-brugere.

Fodnoter

  1. 1

    Vi fandt ud af, at de sandhedsbaserede svar for dette datasæt var blevet lækket online i stor stil, og vi har derfor blokeret adskillige websites eller webadresser som følge heraf for at sikre en retfærdig evaluering af modellen.

Skrevet af

OpenAI

Ansvarlige for research

Isa Fulford og Zhiqing Sun

Grundlæggende bidragsydere

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

Centrale bidragydere

Forskning

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

Implementering

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

Bidragydere

Forskning

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

+ alle bidragyderne bag o3.

Sikkerhedssystemer

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

Implementering

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

Ledelse

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