۱۴ بهمن ۱۴۰۳

معرفی پژوهش عمیق

عاملی که با استفاده از استدلال، حجم زیادی از اطلاعات آنلاین را ترکیب می‌کند و وظایف پژوهشی چندمرحله‌ای را برای شما انجام می‌دهد. امروز برای کاربران Pro در دسترس است، و بعد از آن برای کاربران Plus و Team.

ChatGPT را امتحان کن

در حال بارگذاری…

به‌روز رسانی ۱۰ فوریه ۲۰۲۶: اکنون می‌توانید تحقیق عمیق را به هر MCP یا برنامه‌ای متصل کنید و جستجوهای وب را به سایت‌های مورد اعتماد محدود کنید، تا بتوانید روی منابع احراز هویت‌شده و استانداردِ صنعت تمرکز کنید. همچنین اکنون می‌توانید پیشرفت را به صورت لحظه‌ای پیگیری کنید و برای دقیق‌تر کردن کار با اعلان‌های پیگیری یا منابع جدید، آن را متوقف کنید. ما تجربه بصری را به‌روزرسانی کرده‌ایم تا شروع کردن، پیگیری و بازبینی تحقیق شما از ابتدا تا انتها آسان‌تر شود.

به‌روزرسانی ۱۷ ژوئیه ۲۰۲۵: اکنون می‌توانید با دسترسی به مرورگر بصری به عنوان بخشی از عامل ChatGPT، تحقیقات عمیق‌تری انجام دهید. برای دسترسی به این قابلیت‌های جدید، کافی است «حالت عاملی» را از منوی کشویی در آهنگساز انتخاب کرده و درخواست خود را به طور مستقیم وارد کنید. قابلیت اصلی تحقیق عمیق همچنان از طریق گزینه «تحقیق عمیق» در منوی ابزارها در دسترس است.

به‌روزرسانی 24 آوریل 2025: ما تعداد دفعات استفاده از قابلیت تحقیق عمیق را به‌طور قابل‌توجهی افزایش داده‌ایم—اکنون کاربران Plus، Team، Enterprise و Edu می‌توانند ماهانه ۲۵ بار از آن استفاده کنند، کاربران Pro تا ۲۵۰ بار، و کاربران Free ۵ بار. این امکان به لطف نسخه‌ای سبک‌تر از قابلیت تحقیق عمیق فراهم شده که با نسخه‌ای از مدل o4-mini اجرا می‌شود و برای صرفه‌جویی در هزینه طراحی شده، در حالی که کیفیت بالای خود را حفظ می‌کند. پس از رسیدن به سقف استفاده از نسخه کامل، درخواست‌های شما به‌طور خودکار به نسخه سبک‌تر منتقل می‌شود.

به روز رسانی 25 فوریه 2025: همه کاربران Plus اکنون می توانند از تحقیقات عمیق استفاده کنند.

به‌روزرسانی 5 فوریه 2025: تحقیقات عمیق اکنون برای کاربران Pro در بریتانیا، سوئیس و منطقه اقتصادی اروپا در دسترس می‌باشد.

امروز تحقیقات عمیقی را در ChatGPT راه‌اندازی می‌کنیم، یک قابلیت جدید عامل‌محور که تحقیقات چند مرحله‌ای را در اینترنت برای وظایف پیچیده انجام می‌دهد. کاری را در چند ده دقیقه انجام می‌دهد که برای یک انسان ساعت‌ها زمان می‌برد.

تحقیقات عمیق، عامل بعدی OpenAI است که می‌تواند به طور مستقل برایت کار کند—به آن یک دستور بده، و ChatGPT صدها منبع آنلاین را پیدا، تحلیل و ترکیب می‌کند تا گزارشی جامع در سطح یک تحلیلگر تحقیق ایجاد کند. این سیستم با نسخه‌ای از مدل آینده OpenAI o3 که برای مرور وب و تحلیل داده‌ها بهینه شده است، قدرت می‌گیرد و از استدلال برای جستجو، تفسیر و تحلیل حجم عظیمی از متن، تصاویر و فایل‌های PDF در اینترنت استفاده می‌کند و در صورت نیاز، در واکنش به اطلاعاتی که با آن مواجه می‌شود، تغییر جهت می‌دهد.

توانایی ترکیب دانش، پیش‌نیازی برای خلق دانش جدید است. به همین دلیل، تحقیقات عمیق گامی مهم به سوی هدف گسترده‌تر ما برای توسعه AGI است، که مدت‌هاست آن را به عنوان ابزاری برای تولید تحقیقات علمی جدید تصور کرده‌ایم.

چرا ما تحقیق عمیق را ایجاد کردیم

تحقیق عمیق برای افرادی طراحی شده که در حوزه‌هایی مانند امور مالی، علوم، سیاست‌گذاری و مهندسی مشغول به کارهای دانشی فشرده هستند و به تحقیقاتی جامع، دقیق و قابل اتکا نیاز دارند. همچنین می‌تواند برای خریداران دقیق که به دنبال پیشنهادهای فوق‌العاده شخصی‌سازی‌شده برای خریدهایی مانند خودرو، لوازم خانگی و مبلمان که معمولاً نیازمند بررسی دقیق هستند، بسیار مفید باشد. هر خروجی کاملاً مستند ارائه می‌شود، با ارجاعات شفاف و خلاصه‌ای از فرایند تحلیل، که ارجاع دادن و راستی‌آزمایی اطلاعات را آسان می‌کند. این ابزار به‌ویژه در یافتن اطلاعات خاص و غیر بدیهی که نیاز به مرور وب‌سایت‌های متعدد دارد، بسیار مؤثر است. تحقیق عمیق با امکان واگذار کردن و تسریع تحقیقات پیچیده و وقت‌گیر از طریق تنها یک پرسش، زمان ارزشمند شما را آزاد می‌سازد.

تحقیق عمیق به‌طور مستقل بینش‌ها را از سراسر وب کشف، تحلیل و تلفیق می‌کند. برای رسیدن به این توانایی، این سیستم با استفاده از وظایف واقعی آموزش دیده که نیازمند به‌کارگیری ابزار مرورگر و پایتون بوده‌اند، و با همان روش‌های تقویت یادگیری توسعه یافته که در مدل استدلالی نخست OpenAI، یعنی o1، به کار گرفته شده‌اند. در حالی که o1 توانایی‌های چشمگیری در برنامه‌نویسی، ریاضی و دیگر حوزه‌های فنی از خود نشان داده، اما بسیاری از چالش‌های دنیای واقعی نیازمند درک گسترده و گردآوری اطلاعات از منابع متنوع آنلاین هستند. تحقیق عمیق با تکیه بر این قابلیت‌های استدلالی، این فاصله را پر می‌کند و توانایی حل مسائل پیچیده‌ای را که افراد در محیط کار یا زندگی روزمره با آن مواجه‌اند، فراهم می‌سازد.

چگونه از تحقیق عمیق استفاده کنیم

در ChatGPT، گزینه «تحقیق عمیق» را در بخش نوشتار پیام انتخاب کنید و پرسش خود را وارد نمایید. به ChatGPT بگویید دقیقاً چه نیاز دارید—چه یک تحلیل رقابتی درباره پلتفرم‌های استریم باشد یا گزارشی شخصی‌سازی‌شده درباره بهترین دوچرخه برای رفت‌وآمد روزانه. می‌توانید فایل‌ها یا صفحات گسترده را برای افزودن زمینه بیشتر به پرسش خود ضمیمه کنید. به‌محض آغاز فرایند، یک نوار کناری ظاهر می‌شود که خلاصه‌ای از مراحل انجام‌شده و منابع مورد استفاده را نمایش می‌دهد.

تحقیق عمیق ممکن است بین 5 تا 30 دقیقه طول بکشد تا کار خود را به پایان برساند و زمان لازم برای کاوش عمیق در وب را صرف کند. در این فاصله، می‌توانید از سیستم فاصله بگیرید یا روی کارهای دیگر تمرکز کنید—به‌محض اتمام تحقیق، اعلان دریافت خواهید کرد. خروجی نهایی به‌صورت یک گزارش در داخل گفت‌وگو ارائه می‌شود—و در چند هفته آینده، تصاویر جاسازی‌شده، نمودارهای داده، و سایر خروجی‌های تحلیلی نیز به این گزارش‌ها اضافه خواهند شد تا وضوح و زمینه بیشتری فراهم شود.

در مقایسه با تحقیق عمیق، GPT‑4o برای مکالمات بلادرنگ و چندوجهی ایده‌آل است. اما برای پرسش‌های چندلایه و تخصص‌محور که در آن‌ها عمق و جزئیات حیاتی‌اند، توانایی تحقیق عمیق در انجام کاوش گسترده و استناد به هر ادعا، تفاوت میان یک خلاصه سریع و پاسخی مستند، تأیید‌شده و قابل استفاده در محیط کاری را رقم می‌زند.

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.

پژوهش عمیق

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.

تحقیقات عمیق به طور مفصل به درخواست پاسخ می‌دهد و داده‌های خاص هر کشور را برای 10 کشور برتر توسعه‌یافته و 10 کشور برتر در حال توسعه، به صورت کنار هم برای ارجاع و مقایسه آسان ارائه می‌کند. از این اطلاعات برای ارائه توصیه‌های دقیق و قابل استفاده برای ورود به بازار استفاده می‌کند.

چگونگی عملکرد

تحقیقات عمیق با استفاده از یادگیری تقویتی سرتاسری در مرور سخت و وظایف استدلال در طیف وسیعی از حوزه‌ها آموزش داده شد. از طریق آن آموزش، یاد گرفت که یک مسیر چندمرحله‌ای را برای یافتن داده‌های مورد نیاز خود برنامه‌ریزی و اجرا کند، و در صورت لزوم به عقب برگردد و به اطلاعات لحظه‌ای واکنش نشان دهد. این مدل همچنین قادر است فایل‌های بارگذاری‌شده توسط کاربر را مرور کند، با استفاده از ابزار پایتون نمودار رسم کرده و روی آن‌ها تکرار انجام دهد، هم نمودارهای تولیدشده و هم تصاویر استخراج‌شده از وب‌سایت‌ها را در پاسخ‌های خود جای دهد، و جملات یا بخش‌های خاصی از منابع خود را نقل قول کند. در نتیجه این آموزش، مدل به رکوردهای جدیدی در شماری از ارزیابی‌های عمومی که بر مسائل دنیای واقعی تمرکز دارند، دست می‌یابد.

آخرین آزمون بشریت

در آخرین آزمون بشریت⁠(در یک پنجره جدید باز می‌شود)، یک ارزیابی که به تازگی منتشر شده و هوش مصنوعی را در طیف گسترده‌ای از موضوعات با سوالات سطح کارشناسی ارزیابی می‌کند، مدل تقویت‌کننده تحقیقات عمیق به دقت جدید 26.6٪ دست یافته است. این آزمون شامل بیش از 3٬000 پرسش چهارگزینه‌ای و پاسخ کوتاه در بیش از 100 موضوع، از زبان‌شناسی تا علم موشک، و از مطالعات کلاسیک تا بوم‌شناسی است. در مقایسه با OpenAI o1، بیشترین پیشرفت‌ها در شیمی، علوم انسانی، علوم اجتماعی و ریاضیات مشاهده شد. مدلی که به تحقیقات عمیق قدرت می‌بخشید، با جستجوی مؤثر اطلاعات تخصصی در مواقع ضروری، رویکردی شبیه به انسان را به نمایش گذاشت.

مدل	دقت (%)
GPT-4o	۳٫۳
Grok-2	۳٫۸
Claude 3.5 Sonnet	۴٫۳
Gemini Thinking	۶٫۲
OpenAI o1	۹٫۱
DeepSeek-R1*	۹٫۴
OpenAI o3-mini (متوسط)*	۱۰٫۵
OpenAI o3-mini (سطح بالا)*	۱۳٫۰
پژوهش عمیق OpenAI	۲۶٫۶

* مدل چند وجهی نیست و فقط بر روی زیر مجموعه متنی ارزیابی شده است.

**با مرورگر + ابزارهای پایتون

GAIA

در GAIA⁠(در یک پنجره جدید باز می‌شود)¹، یک معیار عمومی که هوش مصنوعی را بر اساس سوالات دنیای واقعی ارزیابی می‌کند، مدل تقویت‌کننده تحقیقات عمیق به یک وضعیت جدید از هنر (SOTA) رسیده و در صدر جدول امتیازات⁠(در یک پنجره جدید باز می‌شود) خارجی قرار گرفته است. شامل سوالاتی در سه سطح دشواری، تکمیل موفقیت‌آمیز این وظایف نیازمند توانایی‌هایی از جمله استدلال، تسلط چندوجهی، مرور وب و مهارت استفاده از ابزارها است.

GAIA
	سطح 1	سطح 2	سطح 3	میانگین
SOTA قبلی(در یک پنجره جدید باز می‌شود)	۶۷٫۹۲	۶۷٫۴۴	۴۲٫۳۱	۶۳٫۶۴
Deep Research (pass@1)	۷۴٫۲۹	۶۹٫۰۶	۴۷٫۶	۶۷٫۳۶
پژوهش عمیق (cons@64)	۷۸٫۶۶	۷۳٫۲۱	۵۸٫۰۳	۷۲٫۵۷

نمونه‌هایی از وظایف 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.]

شفاف‌سازی جستجو

من در حال جمع‌بندی درخواست برای یک مقاله از سال 2012 در گزارش‌های علمی هستم که جزئیات یک نانوترکیب را ارائه می‌دهد و هر چیزی مربوط به پلاسمونیک را شامل نمی‌شود. احتمالاً این شامل فیلتر کردن موضوعات یا ترکیبات خاصی مانند نقره یا گرافن می‌شود.

کنار هم گذاشتن جزئیات

من در حال جستجوی فرعی «Scientific Reports 2012 nanoparticle» هستم و احتمالاً به دنبال نانوترکیب‌ها می‌باشم. علاقه‌مند به حذف موضوعات مرتبط با پلاسمون و احتمالاً تمرکز بر نقره، گرافن یا نقاط کوانتومی هستم.

[عمل جست‌وجو]

مرور فیلترهای جستجو

من در حال بررسی فیلترهای جستجوی پیشرفته در nature.com و گزارش‌های علمی برای سال 2012 هستم تا مقالاتی درباره نانوذرات کربن آمورف در کارامل‌های غذایی را دقیقاً شناسایی کنم.

شناسایی مقالات کنفرانس

نتایج جستجو یک مقاله کنفرانسی با عنوان «کریستال‌های پلاسمونیک شبه‌دوره‌ای دوبعدی» از سال ۲۰۱۲ را نشان می‌دهد که احتمالاً در دسته «مقالات کنفرانس» در Scientific Reports یافت می‌شود.

[عمل وب]

تأمل بر مسائل احتمالی

من دارم دلایل پشت یک تصور غلط درباره یک صفحه وب را بررسی می‌کنم، احتمالاً به خاطر نوع عامل قدیمی یا مسدود شدن غیرعمدی.

[عمل وب]

بررسی گزینه‌های پویا

در حال بررسی یک سایت متعلق به Nature با محتوای پویا یا نسخه‌ای کش‌شده هستم. به‌عنوان جایگزین، جستجوی عباراتی خاص نیز ممکن است مفید واقع شود.

[عمل جست‌وجو]

مشخص کردن ویژگی‌های کلیدی

باشه، در حال شناسایی چهار مقاله از مجموعه مقالات کنفرانس سال 2012 در Scientific Reports هستید. قابل‌توجه است که برخی از آن‌ها به «پلاسمونیک» اشاره دارند و باید کنار گذاشته شوند.

[عمل وب]

کنار هم گذاشتن بینش‌ها و یافته‌ها

در حال جمع‌آوری اطلاعات دربارهٔ دسترسی به نسخه‌های کش‌شده یا گسترش قطعه‌متن‌ها برای عناوین خاص هستم تا از انجام تحلیلی جامع اطمینان حاصل کنم.

[عمل جست‌وجو]

جمع‌آوری جزئیات

در حال یادداشت روند انتقال از نشست بهاری 2012 انجمن تحقیقات مواد اروپا (E-MRS) به مقاله علمی منتشرشده در Scientific Reports هستم، با تمرکز بر مجموعه مقالات کنفرانس. این رویکرد به ایجاد زمینه و ارتباط موضوعی کمک می‌کند.

[عمل جست‌وجو]

ردیابی سرنخ‌های ژورنال

در حال تلاش برای ارتباط دادن مجموعه مقالات یک کنفرانس در اواخر سال 2012 با نشریه Scientific Reports هستم، با تمرکز بر مواد دوبعدی کوازودوره‌ای پلاسمونیکی. این رویکرد ساختارمند و دقیق به نظر می‌رسد.

[عمل جست‌وجو]

تحلیل جزئیات رویداد

توجه داشته باشید که نتایج جستجو [8] شامل صفحه‌ای است که احتمالاً خلاصه‌ای از نشست بهاره انجمن تحقیقات مواد اروپا در سال 2012، شامل 25 سمپوزیوم، می‌باشد.

[عمل وب]

کنار هم قرار دادن تحقیقات

من در حال بررسی یک صفحه احتمالی با ۴ مقاله هستم که به مباحث پلاسمونیک و فراماده می‌پردازد و منابع کلیدی از نشست بهاری ۲۰۱۲ انجمن تحقیقات مواد اروپا را شناسایی می‌کند.

[عمل وب]

مشخص کردن تمرکز

من دارم روی مجموعه مقالات کنفرانس ۲۰۱۲ در «گزارش‌های علمی» از E-MRS تمرکز می‌کنم که احتمالاً شامل موضوعاتی مانند «کریستال‌های پلاسمونیک شبه‌دوره‌ای دوبعدی» و «پوشش‌های پلاسمونیک لایه‌ای برای تنظیم پراکندگی نوری در مقیاس نانو» است.

[عمل وب]

ارزیابی منابع کتابخانه‌ای

در حال بررسی شماره ویژه E-MRS 2012، مقاله دعوت شده نماینده علمی Monticone و آزمایشگاه فرامواد در آرشیو اخبار – 2012.

[عمل وب]

ارزیابی دسترسی‌پذیری

در حال جمع‌آوری اطلاعات دربارهٔ مشکلات احتمالی دسترسی به سایت هستم، با در نظر گرفتن وضعیت قدیمی یا مسدود بودن آن. همچنین در حال ارزیابی سایت مونتیکونه برای یافتن فهرستی به‌عنوان مرجع هستم.

[عمل وب]

کنار هم گذاشتن قطعات E-MRS 2012

در حال تلاش برای مرتبط کردن موضوع «پوشش‌های پلاسمونیکی لایه‌ای» با نشست E-MRS 2012 هستم. همچنین در حال بررسی موضوعات احتمالی دیگر مانند گرافن و کاتالیز هستم.

[عمل وب]

شناسایی موضوعات مرتبط

در حال جمع‌آوری اطلاعات دربارهٔ موضوعاتی مانند گرافن، فتوولتائیک و ترکیبات نانوساختاری هستم، در حالی که مقالات مرتبط با پلاسمونیک را حذف می‌کنم. این موضوع باعث شده تمرکز خود را به جنبه‌های گسترده‌تری از فناوری نانو معطوف کنم.

[عمل وب]

تنظیم تمرکز خود

در حال گسترش پارامترهای جستجو با وارد کردن شناسه‌های خاص سایت و نویسندگان علمی هستم تا مقالات مربوط به بلورهای پلاسمونیکی شبه‌دوبعدی کوازودوره‌ای در نشریه Nature Scientific Reports از سال 2012 را دقیق‌تر شناسایی کنم.

[عمل جست‌وجو]

شناسایی گزینه‌های غیر پلاسمونیکی

در حال محدود کردن جستجو برای شناسایی مقالات شماره ویژه نشست E-MRS سال 2012 در Scientific Reports هستم. این شامل بررسی عناوین برای موضوعات غیر پلاسمونیکی مانند گرافن یا اکسیدهای عملکردی است. پیشرفت از طریق جستجوهای هدفمند و حذف مقالات مربوط به پدیده‌های پلاسمونیکی قابل مشاهده است.

[عمل جست‌وجو]

کنار هم گذاشتن سرنخ‌ها

در حال تحلیل برهم‌کنش‌ها در یک ابرشبکهٔ گرافنی هستم، که احتمالاً از مقاله‌ای در Scientific Reports گرفته شده است. در حال بررسی عناوین مقالاتی از نویسندگانی مانند Padooru، Yakovlev، Chen و Alu هستم.

[عمل جست‌وجو]

کنار هم چیدن قطعات پازل

در حال جمع‌آوری اطلاعات دربارهٔ مجموعه مقالات نشست بهاری E-MRS 2012 در Scientific Reports هستم، با تمرکز بر مقالات دعوت‌شده و بدون پرداختن به پدیده‌های پلاسمونیکی. انواع موضوعات تحت بررسی شامل گرافن، کاتالیز، مواد انرژی‌زا، نانوداروها و حسگرها هستند.

[عمل جست‌وجو]

وظایف سطح کارشناسی

در یک ارزیابی داخلی از وظایف سطح کارشناسی در حوزه‌های مختلف، تحقیقات عمیق توسط کارشناسان حوزه به عنوان ابزاری ارزیابی شد که چندین ساعت کار دشوار و دستی را خودکار کرده است.

نرخ قبولی در مقابل حداکثر فراخوانی ابزار

هرچه مدل بیشتر وب‌ کند و درباره آنچه وب‌ می‌کند فکر کند، بهتر عمل می‌کند، به همین دلیل است که دادن زمان برای فکر کردن به آن مهم است.

نمونه‌هایی از وظایف در سطح کارشناسی

زمان صرفه‌جویی شده در وظیفه: 4 ساعت

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.

درک مدل‌های جذب

من دارم اطلاعاتی درباره جذب گازهای خالص و مخلوط در پلیمرهای شیشه‌ای جمع می‌کنم، با تمرکز بر مدل جذب دو حالته و پرداختن به چالش‌های پیش‌بینی مدل‌سازی.

[عمل جست‌وجو]

ارزیابی دسترسی آزاد

باشه، بذار ببینم. نتیجه‌ی MDPI درباره‌ی جذب گازهای مخلوط در پلیمرهای شیشه‌ای احتمالاً به صورت دسترسی آزاد است.

[عمل وب]

بررسی بخش‌ها
در حال گردآوری بینش‌هایی از مدل جذب دوحالته و تحلیل گسترش‌یافته آن در مقاله MDPI هستم.

[عمل وب]

شفاف‌سازی ویژگی‌های کلیدی

در حال بررسی گزارش آزمایشگاه هستم تا ثابت هنری، ثابت تمایل لانگمویر، و ثابت ظرفیت لانگمویر را که جذب گاز را توصیف می‌کنند، بهتر درک کنم.

[عمل وب]

کنار هم قرار دادن

در حال بررسی این امکان هستم که «معادله (3)» و «معادله (4)» ممکن است به‌صورت تصویر یا نمایش فرمول ارائه شده باشند، و در نظر دارم برای درک بهتر آن‌ها فایل PDF را بررسی کرده یا به دنبال ارجاع‌های قبلی بگردم.

[عمل وب]

تأیید ارتباط عنوان

در حال بررسی این هستم که آیا سند مربوط به Freeman و Koros (1980) دقیقاً با مرجع «مدلی برای جذب گازهای مخلوط در پلیمرهای شیشه‌ای» مطابقت دارد یا نه، و این کار را با بررسی چکیده و عنوان انجام می‌دهم.

[عمل جست‌وجو]

بررسی ارتباط مقالات

متوجه شدم که نتیجه‌ای از "pmc.ncbi.nlm.nih.gov" احتمالاً همان مقاله MDPI است، و کنجکاوم ببینم آیا متن کامل را ارائه می‌دهد یا نسخه‌ای ساده‌شده را.

[عمل وب]

جمع‌آوری اطلاعات

در حال جمع‌آوری اطلاعات درباره جذب گاز خالص و گاز مخلوط در پلیمرهای شیشه‌ای هستم. این یک گام حیاتی در درک رفتار ماده در محیط‌های گازی مختلف است.

[عمل جست‌وجو]

مقایسه جذب گاز

من متوجه شدم که حضور دی‌اکسید کربن در یک مخلوط، جذب متان در پلیمر را تحت تأثیر قرار می‌دهد و جذب متان را در مقایسه با حالت گاز خالص کاهش می‌دهد.

[عمل وب]

ارتباط دادن مفاهیم

در حال بررسی این هستم که چگونه اصطلاح «معادله مخلوط گسترش‌یافته مدل دوحالته» ممکن است با معادلات کابل ابررسانای دوحالته مرتبط باشد. این نشان دهنده پتانسیل اتصال مفاهیم در زمینه های مختلف است.

[عمل جست‌وجو]

درخواست جزئیات بازبینی

در حال یادداشت‌برداری از درخواست برای مرور «نظریه‌های جذب و انتقال در غشای پلیمری» هستم.

[عمل وب]

بررسی لینک PDF

به نتیجه [2] علاقه‌مندم و در حال بررسی گزیده آن هستم، که شامل گسترش مدل جذب دوحالته به یک مخلوط دوتایی و بیان غلظت مؤلفه A بر حسب فشارهای جزئی و ثابت‌ها است.

[عمل جست‌وجو]

پیش‌بینی رفتار جذب

مدل دو حالته پیش‌بینی می‌کند که افزودن گاز دوم، برخلاف سناریوهای گاز خالص، جذب را در فشار جزئی ثابت کاهش می‌دهد.

[عمل وب]

دریافت یک فایل PDF

دارم اطلاعاتی از یک فایل PDF در nature.com جمع می‌کنم، شاید یک مقاله قدیمی‌تر از یامپولسکی، اما به منابع جایگزین مثل مخزن دانشگاه تگزاس در آستین برای یک تکه متن فکر می‌کنم.

[عمل وب]

ارزیابی گزینه‌های مخزن

متوجه شده‌ام که نتیجه مخزن UT ممکن است به درستی نمایش داده نشود. جستجو در درون آن نامطمئن است. به طور متناوب، نتیجه [3] شامل بخشی است که مدل جذب مخلوط حالت دوگانه را توصیف می‌کند و اثرات رقابتی و کفایت آن را در مدل‌سازی داده‌های تجربی توضیح می‌دهد.

[عمل جست‌وجو]

دقیق‌سازی تمرکز

دارم رویکردم رو تنظیم می‌کنم تا مطمئن بشم جستجو، زمینه‌ی درستی رو هدف قرار می‌ده.

[عمل جست‌وجو]

درک مدل‌های جذب

در حال شرح مدل جذب دوحالته برای گازهای خالص هستم: انحلال هنری و پر شدن ریزحفره‌ها به‌روش لانگمویر. برای گازهای مخلوط، بر جذب رقابتی و رفتارهای غیرایده‌آل تأکید می‌شود.

[عمل جست‌وجو]

بررسی hero.epa.gov

در حال بررسی دقیق hero.epa.gov چکیده یا محتوای احتمالی.

[عمل وب]

پالایش مدل

در حال گردآوری بینش‌هایی درباره جذب گاز خالص و گاز مخلوط هستم و عواملی مانند رقابت، پلاستیکی شدن، و پایداری پارامترها را در نظر می‌گیرم. گنجاندن داده‌های گاز مخلوط برای پیش‌بینی‌های دقیق‌تر.

[عمل وب]

پرداختن به چالش‌های مدل جذب دوگانه

درهم‌تنیدگی پارامترها و یکتانبودن آن‌ها بر پیش‌بینی‌ها تأثیر می‌گذارد. عدم لحاظ تغییرات وضعیت پلیمر ممکن است به نادیده‌گرفتن برخی موارد منجر شود.

[عمل وب]

کمی‌سازی انحراف

در حال کمی‌سازی حلالیت غیرایده‌آل CO₂–CH₄ در 6FDA-mPDA هستم و اثرات گازهای مخلوط بر حلالیت را نشان می‌دهم. جذب رقابتی تنها عامل کاهش گزینش‌پذیری نفوذپذیری نیست.

[عمل وب]

گنجاندن منابع

من دارم استنادها را جمع‌آوری می‌کنم و بر منابع متن‌باز مانند MDPI 2019 و Vopicka 2014 تمرکز می‌کنم تا از بحث درباره تفاوت‌ها و چالش‌های مدل دوحالته برای جذب گاز در غشاهای پلیمری حمایت کنم.

[عمل وب]

بخش‌های پیشنهادی

در حال سازمان‌دهی بخش‌هایی درباره جذب خالص در برابر جذب گازهای مخلوط هستم، مدل جذب دوحالته را بررسی می‌کنم، و به چالش‌هایی مانند عدم قطعیت پارامترها و پیش‌بینی رفتار گازهای مخلوط می‌پردازم.

سازماندهی محتوا

روی مدل جذب دوحالته تمرکز دارم، رفتارهای جذب گاز خالص و گاز مخلوط را به‌طور دقیق شرح می‌دهم، و تفاوت‌ها و چالش‌های کلیدی را با استفاده از نشانه‌گذاری نقطه‌ای و بخش‌بندی ساخت‌یافته برای وضوح بیشتر برجسته می‌کنم.

[عمل جست‌وجو]

انتخاب منابع ارجاع

باشه، بذار ببینم. من به [3]، [20]، [22] و [21] برای بینش‌های روشن‌شان درباره جذب دو حالته و مخلوط‌های گازی تکیه می‌کنم.

تعیین پارامترها

من نام پارامترها را کنار هم قرار می‌دهم تا از بروز سردرگمی جلوگیری کنم. برای وضوح بیشتر، از (k)، (C_H») و (b) استفاده می‌کنم. معادلات مربوط به گاز خالص و مخلوط به‌صورت دقیق و با قالب‌بندی شفاف ارائه شده‌اند.

پرداختن به چالش‌ها

در حال بررسی برازش پارامترهای چند‌پاسخی، پلاستیکی شدن پلیمرها، و اثرات زمانی هستم. این پیچیدگی‌ها پیش‌بینی جذب گازهای خالص و مخلوط را دشوار می‌کند.

کنار هم قرار دادن

من دارم بخش‌هایی درباره تفاوت‌های جذب، مدل دو حالته برای گازهای خالص، گسترش آن به گازهای مخلوط و چالش‌های مرتبط را تدوین می‌کنم. این پیشرفت منطقی و مؤثر به نظر می‌رسد.

نرخ قبولی در وظایف سطح کارشناسی بر اساس ارزش اقتصادی تخمینی

نرخ قبولی در وظایف سطح کارشناسی بر اساس ساعات تخمینی

ارزش اقتصادی تخمینی یک کار بیشتر با نرخ قبولی مرتبط است تا تعداد ساعاتی که یک انسان صرف می‌کند - چیزهایی که مدل‌ها دشوار می‌دانند با چیزهایی که انسان‌ها زمان‌بر می‌دانند متفاوت است.

محدودیت‌ها

تحقیقات عمیق قابلیت‌های جدید و قابل توجهی را قفل‌گشایی می‌کند، اما هنوز در مراحل اولیه است و محدودیت‌هایی دارد. گاهی ممکن است در پاسخ‌ها دچار توهمِ واقعیت شود یا استنتاج‌های نادرست انجام دهد، هرچند طبق ارزیابی‌های داخلی، این موارد به‌طور قابل‌توجهی کمتر از مدل‌های کنونی ChatGPT است. ممکن است در تشخیص اطلاعات معتبر از شایعات دچار مشکل شود و در حال حاضر در کالیبراسیون اعتماد نیز ضعف نشان می‌دهد و اغلب نمی‌تواند میزان عدم قطعیت را به‌درستی منتقل کند. در زمان راه‌اندازی، ممکن است خطاهای جزئی در قالب‌بندی گزارش‌ها و استنادها وجود داشته باشد و شروع وظایف ممکن است بیشتر طول بکشد. ما انتظار داریم همه این مسائل با استفاده بیشتر و گذر زمان به‌سرعت بهبود پیدا کنند.

دسترسی

تحقیقات عمیق در ChatGPT در حال حاضر نیازمند محاسبات بسیار سنگین است. هرچه زمان بیشتری برای تحقیق یک پرسش صرف شود، توان محاسباتی استنتاج بیشتری مورد نیاز خواهد بود. امروز با نسخه‌ای آغاز می‌کنیم که برای کاربران Pro بهینه‌سازی شده است و تا 100 پرسش در ماه را پشتیبانی می‌کند. کاربران Plus و Team در مرحله بعد و پس از آن Enterprise به این نسخه دسترسی خواهند داشت. ما همچنان در حال کار روی فراهم کردن دسترسی برای کاربران در بریتانیا، سوئیس و منطقه اقتصادی اروپا هستیم.

به زودی، با انتشار نسخه‌ی سریع‌تر و مقرون‌به‌صرفه‌تر تحقیقات عمیق که توسط مدل کوچک‌تری ارائه می‌شود و همچنان نتایج با کیفیتی را ارائه می‌دهد، تمامی کاربران پولی محدودیت‌های نرخ بسیار بالاتری را دریافت خواهند کرد.

در هفته‌ها و ماه‌های آینده، ما روی زیرساخت فنی کار خواهیم کرد، نسخه فعلی را از نزدیک نظارت خواهیم کرد و آزمایش‌های حتی دقیق‌تری انجام خواهیم داد. این با اصل استقرار تدریجی ما همخوانی دارد. اگر تمامی بررسی‌های ایمنی همچنان با استانداردهای انتشار ما مطابقت داشته باشند، انتظار داریم تحقیقات عمیق را حدود یک ماه دیگر برای کاربران Plus منتشر کنیم.

سپس چه می‌شود

تحقیقات عمیق امروز در وب ChatGPT در دسترس است و طی ماه جاری به اپلیکیشن‌های موبایل و دسکتاپ نیز عرضه خواهد شد. در حال حاضر، تحقیقات عمیق می‌تواند به وب باز و هر فایل آپلود شده‌ای دسترسی داشته باشد. در آینده، شما قادر خواهید بود به منابع داده تخصصی‌تری متصل شوید - و دسترسی آن را به منابع مبتنی بر اشتراک یا داخلی گسترش دهید - تا خروجی آن را قوی‌تر و شخصی‌سازی‌شده‌تر کنید.

با نگاهی به آینده، ما تصور می‌کنیم که تجربیات عامل‌محور در ChatGPT برای تحقیق و اجرای ناهمزمان و در دنیای واقعی به هم بپیوندند. با ترکیب تحقیقات عمیق که می‌تواند تحقیقات آنلاین ناهمزمان انجام دهد، و اپراتور که می‌تواند اقدامات دنیای واقعی را انجام دهد، ChatGPT را قادر می‌سازد تا وظایف پیچیده‌تری را برایت انجام دهد.

افزودنی 3 فوریه 2025: ما آزمایش‌های ایمنی دقیق، ارزیابی‌های آمادگی و بررسی‌های حاکمیتی را بر روی نسخه اولیه o3 که تحقیقات عمیق را تقویت می‌کند، انجام دادیم و آن را به عنوان خطر متوسط⁠(در یک پنجره جدید باز می‌شود) شناسایی کردیم. همچنین آزمایش‌های ایمنی اضافی برای درک بهتر خطرات افزایشی مرتبط با توانایی تحقیقات عمیق در مرور وب انجام دادیم و کاهش‌های جدیدی را اضافه کردیم. ما به آزمایش کامل و نظارت دقیق بر نسخه محدود فعلی ادامه خواهیم داد. هنگامی که دسترسی به کاربران Plus را گسترش دهیم، بینش‌ها و محافظت‌های ایمنی خود را برای تحقیقات عمیق در یک کارت سیستم به اشتراک خواهیم گذاشت.

پاورقی

1
ما متوجه شدیم که پاسخ‌های واقعی این مجموعه داده‌ها به طور گسترده‌ای به صورت آنلاین فاش شده‌اند و به همین دلیل چندین وب‌سایت یا URL را مسدود کرده‌ایم تا ارزیابی مدل به صورت منصفانه انجام شود.

نویسنده‌ها

OpenAI

سرپرستان تحقیق

Isa Fulford،‏ Zhiqing Sun

مشارکت‌کنندگان اصلی

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

مشارکت‌کنندگان اصلی

تحقیق

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

راهنمای پیاده‌سازی

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

مشارکت‌کنندگان

تحقیق

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

+ همه مشارکت‌کنندگان در o3.

سیستم‌های ایمنی

آدام کالای، الکس بیوتل، آندریا والونه، اندی اپلبام، دیوید رابینسون، الیزابت پروهل، ایوان میس، گریس ژائو، ایرینا کوفمن، جیسون فانگ، واکین کینونرو کاندلا، جوئل پریش، کوین لیو، کریستن یینگ، لاما احمد، لئون مکسین، لیتون هو، مگان شاه، میشل وانگ، مایلز وانگ، فیلیپ گو، اولیویا واتکینز، اوون کمپبل-مور، پاتریک چائو، سم تویزر، ساموئل میسرندینو، ساندینی آگاروال، تجال پاتواردان، تینا سریسکنداراجاه، تروی پیترسون، یائودونگ یو، یون یون وانگ

راهنمای پیاده‌سازی

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

رهبری

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

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)