2 de febrero de 2025

Presentamos la investigación en profundidad

Un agente capaz de razonar para recopilar y resumir grandes cantidades de información en línea y efectuar tareas de investigación complejas por ti. Disponible hoy para usuarios de la versión Pro y próximamente para usuarios de las versiones Plus y Team.

Pruébalo en ChatGPT

Cargando…

Actualización del 10 de febrero de 2026: Ahora puedes conectar la investigación avanzada a cualquier MCP o aplicación y restringir las búsquedas web a sitios de confianza, para que puedas centrarte en fuentes autenticadas y estándar del sector. También puedes hacer un seguimiento del progreso en tiempo real e interrumpir para ajustar con prompts de seguimiento o nuevas fuentes. Hemos actualizado la experiencia visual para que sea más fácil iniciar, seguir y revisar tu investigación de principio a fin.

Actualización del 17 de julio de 2025: La investigación avanzada ahora puede ir todavía más lejos y abarcar mucho más accediendo a un navegador visual como parte del agente de ChatGPT. Para acceder a estas capacidades actualizadas, simplemente selecciona «modo agente» en el menú desplegable del redactor e introduce tu consulta directamente. La funcionalidad original de investigación avanzada sigue disponible a través de la opción «investigación avanzada» en el menú de herramientas.

Actualización del 24 de abril de 2025: Estamos aumentando considerablemente la frecuencia con la que puedes usar la investigación avanzada. Los usuarios con suscripción Plus, Team, Enterprise y Edu ahora disponen de 25 consultas al mes, mientras que los usuarios Pro tienen 250, y los Free solo 5. Esto es posible gracias a una nueva versión ligera de la investigación avanzada, impulsada por una versión de o4-mini, diseñada para ser más rentable sin comprometer la alta calidad. Una vez que alcances tu límite para la versión completa, tus consultas cambiarán automáticamente a la versión ligera.

Actualización del 25 de febrero de 2025: Ahora, todos los usuarios Plus pueden usar la investigación avanzada.

Actualización del 5 de febrero de 2025: La investigación avanzada ya está disponible para los usuarios Pro en el Reino Unido, Suiza y el Espacio Económico Europeo.

Hoy presentamos la investigación en profundidad en ChatGPT, una nueva función que actúa como si de un agente se tratase y lleva a cabo investigaciones de varios pasos en línea con el objetivo de resolver tareas complejas. Consigue en cuestión de minutos lo que una persona tardaría horas en hacer.

Investigación en profundidad es el nuevo agente de OpenAI, capaz de trabajar de forma independiente: dale una indicación y ChatGPT se encargará de localizar, analizar y reunir información de cientos de fuentes en línea para elaborar un informe exhaustivo y profesional. Funciona con una versión del futuro modelo OpenAI o3, optimizada para la navegación web y el análisis de datos. Utiliza el razonamiento para buscar, interpretar y analizar grandes cantidades de texto, imágenes y archivos PDF en la red, adaptándose en función de la información que va encontrando.

Saber sintetizar conocimiento es fundamental para poder generar conocimiento nuevo. Por eso consideramos que esta herramienta representa un avance clave hacia nuestro objetivo de crear una AGI capaz de producir investigación científica original.

Por qué hemos creado la investigación en profundidad

Investigación en profundidad es una función pensada para quienes trabajan con grandes volúmenes de conocimiento en campos como las finanzas, la ciencia, la política o la ingeniería, y necesitan resultados rigurosos, precisos y bien fundamentados. También puede ser útil para personas que buscan recomendaciones muy personalizadas para tomar mejores decisiones sobre compras importantes, como a la hora de adquirir un coche, electrodomésticos o muebles. Cada informe está completamente documentado, con citas claras y un resumen del razonamiento, lo que permite verificar fácilmente la información. Es especialmente eficaz para localizar datos poco obvios o muy concretos, que normalmente requieren navegar por muchas páginas. En definitiva, investigación en profundidad permite ahorrar tiempo al asumir tareas de investigación en la red complejas y laboriosas con una sola consulta.

La investigación en profundidad es capaz de descubrir, interpretar y sintetizar por sí sola ideas extraídas de toda la web. Para lograrlo, se ha entrenado con tareas reales que requerían el uso de un navegador y herramientas en Python, usando los mismos métodos de aprendizaje por refuerzo que empleamos en OpenAI o1, nuestro primer modelo razonador. Si bien o1 destaca en programación, matemáticas y otras disciplinas técnicas, muchos problemas reales requieren manejar mucho contexto y reunir información de fuentes en línea de distintos tipos. Investigación en profundidad emplea las capacidades de razonamiento para cubrir esa necesidad y resolver problemas habituales del trabajo y del día a día.

Cómo usar la investigación en profundidad

En ChatGPT, selecciona «investigación en profundidad» en el cuadro de mensaje y escribe la consulta. Puedes pedirle lo que necesites: desde un análisis competitivo sobre plataformas de streaming hasta un informe personalizado sobre qué bicicleta es mejor para ir y volver del trabajo. Si quieres, puedes adjuntar archivos u hojas de cálculo que aporten contexto a la consulta. Cuando se inicie la investigación, aparecerá una barra lateral con un resumen de los pasos seguidos y las fuentes empleadas.

La investigación en profundidad puede tardar entre 5 y 30 minutos en completarse, ya que analiza la información en detalle navegando por internet. Mientras tanto, puedes dedicarte a otras tareas o hacer una pausa; recibirás una notificación cuando la investigación haya concluido. El resultado final tiene forma de un informe dentro del chat. En las próximas semanas, incorporaremos imágenes, gráficos y otros elementos visuales y analíticos para aportar más claridad y contexto.

En comparación con la investigación en profundidad, GPT‑4o es más adecuado para conversaciones multimodales en tiempo real. Sin embargo, para consultas complejas y especializadas, donde lo que prima son las respuestas bien fundamentadas y detalladas, la capacidad de la investigación en profundidad para realizar búsquedas exhaustivas y respaldar con fuentes cada afirmación marca la diferencia entre un resumen rápido y una respuesta bien documentada y verificada que se pueda emplear en un entorno profesional.

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.

Investigación en profundidad

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.

Investigación en profundidad responde a la indicación de forma muy precisa, mostrando datos por país de los 10 países desarrollados y los 10 en desarrollo más importantes, uno al lado del otro para que sea fácil compararlos. Con esos datos, proporciona recomendaciones detalladas, claras y útiles para la entrada en el mercado.

¿Cómo funciona?

Investigación en profundidad se ha entrenado mediante aprendizaje por refuerzo de extremo a extremo en tareas complejas de navegación y razonamiento en distintos campos. Gracias a este entrenamiento, ha aprendido a planificar y ejecutar una secuencia de pasos para encontrar los datos que necesita, retrocediendo y adaptándose en función de la información que va encontrando. El modelo también puede acceder a archivos subidos por el usuario, trazar y ajustar gráficos usando la herramienta de Python, incorporar tanto los gráficos creados como imágenes de otras páginas web en las respuestas y citar frases o fragmentos concretos de las fuentes. Gracias a esto, ha conseguido puntuaciones récord en varias evaluaciones públicas centradas en aplicaciones reales.

El último examen de la humanidad

En Humanity’s Last Exam⁠(se abre en una ventana nueva) (El último examen de la humanidad), una evaluación publicada recientemente que pone a prueba la inteligencia artificial con preguntas especializadas de toda una serie de campos del conocimiento, el modelo que hay detrás de la investigación en profundidad ha alcanzado una nueva puntuación máxima con un 26,6 % de aciertos. Esta prueba incluye más de 3000 preguntas, tanto de opción múltiple como de respuesta corta, en más de 100 disciplinas distintas, que abarcan desde la lingüística hasta la ingeniería aeroespacial, pasando por los estudios clásicos o la ecología. En comparación con OpenAI o1, las mejoras más notables se observaron en química, humanidades, ciencias sociales y matemáticas. El modelo tras la investigación en profundidad demostró un comportamiento similar al humano, sabiendo buscar información especializada cuando era necesario.

Modelo	Precisión (%)
GPT-4o	3,3
Grok-2	3,8
Claude 3.5 Sonnet	4,3
Gemini Thinking	6,2
OpenAI o1	9,1
DeepSeek-R1*	9,4
OpenAI o3-mini (medio)*	10,5
OpenAI o3-mini (alto)*	13,0
OpenAI Deep Research**	26,6

* El modelo no es multimodal; se ha evaluado con un subconjunto de solo texto.

** con navegación + herramientas de Python

GAIA

En GAIA⁠(se abre en una ventana nueva)¹, una prueba comparativa pública que evalúa la capacidad de la IA ante cuestiones reales, el modelo que hay detrás de la investigación en profundidad ha alcanzado el mejor resultado registrado hasta la fecha y se ha colocado a la cabeza de la clasificación⁠(se abre en una ventana nueva) externa. Las preguntas que plantea esta prueba están divididas en tres niveles de dificultad, y superarlas requiere capacidades como razonamiento, fluidez multimodal, navegación web y dominio del uso de herramientas.

GAIA
	Nivel 1	Nivel 2	Nivel 3	Media
SOTA anterior(se abre en una ventana nueva)	67,92	67,44	42,31	63,64
Deep Research (pass@1)	74,29	69,06	47,6	67,36
Deep Research (cons@64)	78,66	73,21	58,03	72,57

Ejemplos de tareas en 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.]

Clarifying the search

I’m piecing together the request for an article from 2012 in Scientific Reports that details a nano-compound, excluding any related to plasmonics. Likely, this involves filtering specific topics or compounds, like silver or graphene.

Piecing together details

I'm sub-searching "Scientific Reports 2012 nanoparticle," likely seeking nano-compounds. Interested in filtering out plasmon-related topics, possibly focusing on silver, graphene, or quantum dots.

[search action]

Navigating search filters

I’m digging into advanced search filters on nature.com and Scientific Reports for 2012, trying to pinpoint articles on amorphous carbon nanoparticles in food caramels.

Identifying conference proceedings

The search results reveal a conference proceeding titled "2D quasiperiodic plasmonic crystals" from 2012, likely found under the "Conference Proceedings" category in Scientific Reports.

[browse action]

Reflecting on potential issues

I'm considering the reasons behind a web page misconception, likely due to an outdated agent type or inadvertent blockage.

[browse action]

Considering dynamic options

I'm thinking about a nature site with dynamic content or a cached version. Alternatively, trying a search for specific phrases might help.

[search action]

Pinpointing key features

OK, I'm identifying four conference proceedings from 2012 in Sci Rep. Notably, some mention "plasmonic" and should be excluded.

[browse action]

Piecing together insights

I’m gathering info on accessing cached versions or snippet expansions for specific titles to ensure comprehensive analysis.

[search action]

Pulling together the details

I’m noting the progression from the 2012 European Materials Research Society Spring Meeting to the scientific report, focusing on conference proceedings. This approach helps establish context and relevance.

[search action]

Tracking journal clues

Trying to connect conference proceedings from late 2012 with "Scientific Reports" journal, focusing on plasmonic 2D quasiperiodic materials. This approach feels methodical and precise.

[search action]

Analyzing event details

Noting that the search results [8] include a page likely summarizing the European Materials Research Society 2012 Spring Meeting, including 25 symposia.

[browse action]

Piecing together research

I’m examining a likely collection page with 4 articles, considering plasmonic and metamaterial topics, and identifying key references from the European Materials Research Society 2012 Spring Meeting.

[browse action]

Pinpointing the focus

I’m focusing on the 2012 conference proceedings in "Scientific Reports" from E-MRS, likely involving topics like "2D quasiperiodic plasmonic crystals" and "Layered plasmonic cloaks to tailor the optical scattering at the nanoscale."

[browse action]

Evaluating library sources

Thinking about special issue E-MRS 2012 Sci rep invited paper Monticone and metamaterials lab at News Archives – 2012.

[browse action]

Assessing accessibility

I'm gathering info on potential site access issues, considering outdated status or blockages. Also, evaluating the Monticone site for a list reference.

[browse action]

Piecing together E-MRS 2012

I'm trying to link "Layered Plasmonic Cloaks" to E-MRS 2012. Considering other possible topics like graphene and catalysis.

[browse action]

Identifying relevant topics

I’m gathering info on topics like graphene, photovoltaics, and nanostructured compounds, while excluding plasmonic-related ones. This leads me to focus on nanotechnology aspects more broadly.

[browse action]

Adjusting my focus

I’m broadening the search parameters by entering specific site and scholar identifiers to pinpoint articles about 2D quasiperiodic plasmonic crystals in Nature Scientific Reports from 2012.

[search action]

Identifying non-plasmonic possibilities

I'm narrowing down the search to identify articles from the 2012 E-MRS special issue in Scientific Reports. This involves checking titles for non-plasmonic topics, like graphene or functional oxides. Progress is evident through focused searches and exclusion of plasmonic articles.

[search action]

Piecing together clues

I'm analyzing interactions in a graphene superlattice, likely from a Sci Rep article. Considering titles by authors like Padooru, Yakovlev, Chen, and Alu.

[search action]

Piecing together the puzzle

I’m gathering info on E-MRS 2012 Spring Meeting's Sci Rep proceedings, focusing on invited papers, without plasmonic phenomena. Types under review are graphene, catalysis, energy materials, nanomedicine, and sensors.

[search action]

Tareas especializadas

En una evaluación interna de tareas especializadas en distintos ámbitos, expertos de cada sector valoraron que la investigación en profundidad fue capaz de automatizar varias horas de trabajo manual complejo y laborioso.

Porcentaje de éxito frente al núm. máx. de llamadas a la herramienta

El modelo mejora el rendimiento cuanto más navega y analiza lo que encuentra. De ahí la importancia de darle tiempo para razonar.

Ejemplos de tareas especializadas

Tiempo ahorrado en la tarea: 4 horas

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.

Understanding sorption models

I’m gathering info on pure and mixed-gas sorption in glassy polymers, focusing on the dual-mode sorption model and addressing challenges in modeling predictions.

[search action]

Assessing open access

OK, let me see. The result from MDPI on mixed-gas sorption in glassy polymers is probably open access.

[browse action]

Examining sections
I’m pulling together insights from the Dual Mode Sorption Model and its extended analysis within the MDPI paper.

[browse action]

Clarifying key properties

I’m examining the lab report to understand Henry's law constant, Langmuir affinity constant, and Langmuir capacity constant, which describe gas sorption.

[browse action]

Piecing together

I'm working through the possibility that "Equation (3)" and "Equation (4)" might be images or formula displays and considering consulting the PDF or searching for earlier references to understand them better.

[browse action]

Confirming title relevance

I’m verifying if the document from Freeman and Koros (1980) specifically matches the reference "Model for sorption of mixed gases in glassy polymers" by checking its abstract and title.

[search action]

Examining article connections

I noticed that the result from "pmc.ncbi.nlm.nih.gov" is likely the same MDPI article, and I'm curious to see if it presents the text or a simplified version.

[browse action]

Gathering info

I'm gathering information about pure and mixed gas sorption in glassy polymers. This is a critical step in understanding the material's behavior under different gas environments.

[search action]

Comparing gas sorption

I noticed that carbon dioxide's presence in a mixture affects methane sorption in polymer, reducing methane's sorption compared to a pure gas scenario.

[browse action]

Linking concepts

I’m thinking through how the term "extended dual mode equation mixture" might relate to dual mode superconducting cable equations. This shows potential for connecting concepts across fields.

[search action]

Requesting review details

I'm noting the request to review "Theories of Sorption and Transport in Polymer Membrane."

[browse action]

Checking PDF link

I’m curious about Result [2] and exploring the snippet, which involves extending a dual-mode sorption model to a binary mixture and expressing concentration of A in terms of partial pressures and constants.

[search action]

Predicting sorption behavior

The dual-mode model anticipates that adding a second gas reduces sorption at a constant partial pressure, unlike pure gas scenarios.

[browse action]

Fetching a PDF

I'm gathering info on a nature.com PDF, possibly an older Yampol'ski article, but thinking about alternative sources like the University of Texas at Austin repository for a text snippet.

[browse action]

Evaluating repository options

I’ve discovered that the UT repository result might not display correctly. Searching within it is uncertain. Alternatively, result [3] contains a snippet describing the dual mode mixture sorption model, explaining competitive effects and its adequacy in modeling experimental data.

[search action]

Refining the focus

I'm adjusting my approach to ensure the search targets the right context.

[search action]

Understanding sorption models

I’m detailing the dual-mode sorption model for pure gases: Henry dissolving and Langmuir microvoid filling. For mixed gases, competitive sorption and non-idealities are emphasized.

[search action]

Exploring hero.epa.gov

Thinking through hero.epa.gov's potential abstract or content.

[browse action]

Refining the model

I'm gathering insights on pure and mixed gas sorption, considering factors like competition, plasticization, and parameter stability. Incorporating mixed-gas data for more accurate predictions.

[browse action]

Addressing dual sorption model challenges

Parameter coupling and non-uniqueness impact predictions. Absence of polymer condition changes might lead to oversights.

[browse action]

Quantifying deviation

I’m quantifying nonideal CO2-CH4 solubility in 6FDA-mPDA, showing mixed gas effects on solubility. Competitive sorption isn’t the sole cause of permeability selectivity decline.

[browse action]

Incorporating references

I'm gathering citations, focusing on open-source materials like MDPI 2019 and Vopicka 2014, to support the discussion on differences and challenges in the dual-mode model for gas sorption in polymeric membranes.

[browse action]

Proposing sections

I'm organizing sections on pure vs mixed-gas sorption, exploring the dual-mode sorption model, and detailing challenges like parameter uncertainty and mixed gas prediction.

Organizing content

I’m focusing on the dual-mode sorption model, detailing pure and mixed-gas sorption behaviors, and highlighting key differences and challenges with bullet points and structured sections for clarity.

[search action]

Choosing citations

OK, let me see. I’m leaning on [3], [20], [22], and [21] for their clear insights into dual-mode sorption and gas mixtures.

Mapping out parameters

I’m piecing together parameter names to avoid confusion. Sticking with (k), (C_H'), and (b) for clarity. The equations for pure gas and mixture are detailed and clearly formatted.

Addressing challenges

I'm tackling multi-solution parameter fits, polymer plasticization, and temporal effects. These intricacies make predicting pure and mixed gas sorption tricky.

Piecing together

I’m structuring sections on sorption differences, the dual-mode model for pure gases, its extension to mixed gases, and the associated challenges. This progression seems logical and effective.

Porcentaje de éxito en tareas profesionales según el valor económico estimado

Porcentaje de éxito en tareas profesionales según las horas estimadas

El valor económico estimado de una tarea está más correlacionado con el porcentaje de éxito que con el número de horas que le llevaría la tarea a una persona. Lo que les cuesta a los modelos es distinto de lo que a los humanos les lleva más tiempo.

Limitaciones

Investigación en profundidad abre la puerta a capacidades nuevas muy relevantes, pero aún está en una fase inicial y tiene sus limitaciones. A veces puede inventar datos o sacar conclusiones incorrectas, aunque lo hace con una frecuencia significativamente menor que los modelos actuales de ChatGPT, según evaluaciones internas. También puede tener dificultades para distinguir entre fuentes fiables y rumores, y aún no calibra bien el nivel de certeza, por lo que no siempre comunica con claridad cuándo duda. En la fase de lanzamiento, es posible que los informes y citas contengan pequeños errores de formato, o que algunas tareas tarden más en iniciarse. Esperamos que todos estos aspectos mejoren rápidamente con el uso y el tiempo.

Acceso

Actualmente, la investigación en profundidad en ChatGPT requiere una gran cantidad de recursos informáticos. Cuanto más compleja o larga es la investigación de una consulta, más capacidad de cálculo se necesita. Estamos comenzando con una versión optimizada para usuarios Pro, que podrán realizar hasta 100 consultas al mes. Más adelante estará disponible para usuarios Plus y Team, y después para Enterprise. Aún estamos trabajando para ofrecer acceso a usuarios del Reino Unido, Suiza y el Espacio Económico Europeo.

En breve, todos los usuarios de pago dispondrán de límites mucho más amplios gracias al lanzamiento de una versión más rápida y rentable de la investigación en profundidad, impulsada por un modelo más pequeño que sigue ofreciendo resultados de alta calidad.

Durante las próximas semanas y meses seguiremos desarrollando la infraestructura técnica, supervisando de cerca el funcionamiento actual y haciendo pruebas aún más exigentes, en virtud de nuestra estrategia de despliegue iterativo. Si las comprobaciones de seguridad siguen cumpliendo con nuestros estándares, esperamos ofrecer la función de investigación en profundidad a los usuarios Plus dentro de un mes aproximadamente.

¿Y ahora qué?

Desde hoy mismo, la función de investigación en profundidad está disponible en la versión web de ChatGPT y llegará a las aplicaciones para móvil y escritorio en un mes aproximadamente. Actualmente, puede acceder a la web abierta y a cualquier archivo que se haya cargado. En el futuro, podrás conectarla a fuentes de datos más especializadas, como por ejemplo recursos internos o disponibles mediante suscripción, lo que permitirá generar resultados aún más completos y personalizados.

De cara al futuro, nuestra visión es integrar experiencias con agentes dentro de ChatGPT que permitan investigar y ejecutar tareas reales de forma asíncrona. La combinación de la investigación en profundidad, capaz de hacer búsquedas asíncronas en línea, con Operator, que puede ejecutar tareas reales, permitirá a ChatGPT asumir por ti tareas cada vez más complejas.

Anexo del 3 de febrero de 2025: Hemos llevado a cabo pruebas de seguridad, evaluaciones de preparación y controles de gobernanza exhaustivos sobre la versión inicial del modelo o3, que es el motor de la función de investigación en profundidad, y la hemos clasificado como de riesgo medio⁠(se abre en una ventana nueva). Asimismo, hemos efectuado pruebas adicionales para comprender mejor los riesgos derivados de su capacidad para navegar por la red, y hemos añadido nuevas medidas de mitigación. Continuaremos probando y supervisando detenidamente la versión limitada actual. Cuando ampliemos el acceso a los usuarios Plus, publicaremos una tarjeta del sistema con los hallazgos de seguridad y las salvaguardias aplicadas a la investigación en profundidad.

Notas al pie

1
Hemos observado que las respuestas de referencia de este conjunto de datos se han difundido de forma masiva por la red, por lo que hemos bloqueado varios sitios web o URL para garantizar una evaluación justa del modelo.

Autores

OpenAI

Dirección de investigación

Isa Fulford y Zhiqing Sun

Contribuidores fundamentales

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

Contribuidores clave

Investigación

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 y Vitchyr Pong

Implementación

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

Contribuidores

Investigación

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

+ el resto de colaboradores del modelo o3.

Sistemas de Seguridad

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 y Yunyun Wang

Implementación

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 y Yining Chen

Liderazgo

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