2. helmikuuta 2025

Esittelyssä syvätutkimus

Agentti, joka syntetisoi suuria määriä verkossa olevia tietoja päättelemällä ja suorittaa monivaiheisia tutkimustehtäviä puolestasi. Saatavilla nyt Pro-käyttäjille, seuraavaksi Plus- ja Team-käyttäjille.

Kokeile ChatGPT:ssä

Ladataan...

Päivitys 10. helmikuuta 2026: voit nyt yhdistää syvätutkimuksen mihin tahansa MCP:hen tai sovellukseen ja rajoittaa verkkohakuja luotettuihin sivustoihin, jotta voit keskittyä todennettuihin, alan standardien mukaisiin lähteisiin. Voit myös seurata edistymistä reaaliajassa ja keskeyttää tarkentaaksesi kehotteilla tai uusilla lähteillä. Olemme päivittäneet visuaalista kokemusta, jotta tutkimuksen aloittaminen, seuranta ja tarkistaminen on helpompaa alusta loppuun.

Päivitys 17. heinäkuuta 2025: syvätutkimus voi nyt mennä entistäkin syvemmälle ja laajemmalle ChatGPT‑agentin visuaalisen selaimen avulla. Voit käyttää näitä päivitettyjä ominaisuuksia, valitsemalla muokkaimen pudotusvalikosta ”agenttitilan” ja syöttämällä kyselysi suoraan. Alkuperäinen syvätutkimustoiminto on edelleen saatavilla työkaluvalikon ”syvätutkimus”-vaihtoehdon kautta.

Päivitys 24. huhtikuuta 2025: olemme merkittävästi lisänneet syvätutkimuksen käyttömahdollisuuksia – Plus-, Team-, Enterprise- ja Edu-käyttäjät saavat nyt 25 kyselyä kuukaudessa, Pro-käyttäjät 250 ja Free-käyttäjät 5. Tämä on mahdollista uuden kevyen syvätutkimusversion ansiosta, joka toimii o4-mini-versiolla ja on suunniteltu kustannustehokkaammaksi laadusta tinkimättä. Kun saavutat täysversion rajan, kyselysi vaihtuvat automaattisesti kevytversioon.

Päivitys 25. helmikuuta 2025: kaikki Plus-käyttäjät voivat nyt käyttää syvätutkimusta.

Päivitys 5. helmikuuta 2025: syvätutkimus on nyt saatavilla Pro-käyttäjille Yhdistyneessä kuningaskunnassa, Sveitsissä ja Euroopan talousalueella.

Lanseeraamme tänään syvätutkimuksen ChatGPT:ssä – uuden agenttitoiminnon, joka tekee monivaiheista tutkimusta verkossa suorittaakseen monimutkaisia tehtäviä. Se suorittaa kymmenissä minuuteissa tehtävän, mikä veisi ihmiseltä useita tunteja.

Syvätutkimus on OpenAI:n uusi agentti, joka työskentelee itsenäisesti puolestasi. Kun kirjoitat kehotteen, ChatGPT löytää, analysoi ja syntetisoi satoja verkossa olevia lähteitä ja luo niistä kattavan raportin, joka vastaa tutkimusanalyytikon tekemän tutkimuksen tasoa. Toimii OpenAI:n tulossa olevalla o3‑mallilla, joka on optimoitu verkkosivujen selaamiseen ja tietojen analyysiin. Se etsii, tulkitsee ja analysoi verkossa olevia valtavia tekstimääriä, kuvia ja PDF-tiedostoja päättelyn avulla ja hyödyntää tarvittaessa kohtaamaansa tietoa.

Kyky yhdistellä tietoa on uuden tiedon luomisen edellytys. Tästä syystä syvätutkimus on merkittävä askel kohti laajempaa tavoitettamme yleisen tekoälyn kehittämisessä. Olemme pitkään visioineet tekoälyn kykenevän tuottamaan uutta tieteellistä tutkimusta.

Miksi kehitimme syvätutkimuksen

Syvätutkimus on kehitetty ihmisille, jotka tekevät intensiivistä asiantuntijatyötä mm. taloustieteen, tieteen, politiikan ja tekniikan aloilla ja tarvitsevat perusteellista, täsmällistä ja luotettavaa tutkimustietoa. Sitä voivat hyödyntää myös tarkkanäköiset ostajat, jotka haluavat erittäin yksilöityjä suosituksia yleensä huolellista selvitystä vaativia ostoksia varten, kuten esimerkiksi autot, kodinkoneet ja huonekalut. Jokainen tuotos on täysin dokumentoitu ja sisältää selkeät viitteet ja yhteenvedon sen ajattelusta, mikä tekee tiedon hyödyntämisestä ja varmistamisesta helppoa. Se on erityisen hyvä löytämään marginaalista, ei-intuitiivista tietoa, jonka löytäminen muuten vaatisi lukuisten verkkosivujen selailua. Syvätutkimus vapauttaa arvokasta aikaa, sillä se mahdollistaa monimutkaisten ja aikaa vievien verkkohakujen tekemisen nopeasti vain yhdellä kysymyksellä.

Syvätutkimus löytää, päättelee ja yhdistelee havaintoja itsenäisesti kaikkialta internetistä. Tämän mahdollistamiseksi se on koulutettu todellisilla selaimen ja Python-työkalun käyttöä vaativilla tehtävillä, ja se käyttää samoja vahvistusoppimisen metodeja kuin ensimmäinen päättelymallimme OpenAI o1. Vaikka o1 on osoittanut vaikuttavia kykyjä koodaamisessa, matematiikassa ja muilla teknisillä aloilla, monet tosielämän haasteet vaativat laajaa kontekstia ja tiedonkeruuta erilaisista verkkolähteistä. Syvätutkimus, joka perustuu näihin päättelyvalmiuksiin, kaventaa tätä kuilua, ja pystyy vastaamaan ongelmiin, joita ihmiset kohtaavat työ- ja arkielämässään.

Miten syvätutkimusta käytetään

Valitse ”syvätutkimus” ChatGPT:n viestikentässä ja kirjoita kysymyksesi. Kerro ChatGPT:lle mitä tarvitset – oli se sitten kilpailuanalyysi suoratoistoalustoista tai personoitu raportti parhaasta työmatkapyörästä. Voit lisätä kontekstia kysymykseesi liittämällä mukaan tiedostoja tai laskentataulukkoja. Kun toiminto on käynnissä, näet sivupalkin, jossa on yhteenveto tehdyistä vaiheista ja käytetyistä lähteistä.

Syvätutkimus voi kestää 5–30 minuuttia, sillä se sukeltaa syvälle verkkoon ja käyttää tehtävään tarvitsemansa ajan. Sillä välin voit poistua paikalta tai tehdä muita tehtäviä – saat ilmoituksen, kun tutkimus on valmis. Lopullinen tuotos tulee raporttina keskusteluun – tulevien viikkojen aikana lisäämme raportteihin myös upotettuja kuvia, tietojen visualisointeja sekä muita analyyttisia tuloksia, jotka tuovat niihin selkeyttä ja kontekstia.

Syvätutkimukseen verrattuna GPT‑4o soveltuu erinomaisesti reaaliaikaisiin, multimodaalisiin keskusteluihin. Kun kyseessä on monitahoinen, alakohtainen tutkimuskysymys, jossa syvällisyys ja yksityiskohdat ovat tärkeitä, syvätutkimuksen kyky tehdä laajaa tutkimusta ja antaa lähdeviite jokaiselle väitteelle on tuo ero nopean yhteenvedon ja hyvin dokumentoidun, tarkistetun, työtuotteena käytettävän vastauksen välillä.

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.

Syvätutkimus

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.

Syvätutkimus vastaa kehotteeseen erittäin yksityiskohtaisesti, ja se esittää sekä 10 kehittyneen maan että 10 kehitysmaan maakohtaiset tiedot rinnakkain, jotta niihin on helppo viitata ja niitä on helppo vertailla. Se käyttää tietoja voidakseen tarjota yksityiskohtaisia markkinoille pääsyyn liittyviä suosituksia, jotka ovat asiantuntevia ja käytettäviä.

Miten se toimii

Syvätutkimus on koulutettu käyttämällä kokonaisvaltaista vahvistusoppimista suorittamaan monien erien alojen vaikeita selaus- ja päättelytehtäviä. Koulutuksen avulla se on oppinut suunnittelemaan ja toteuttamaan monivaiheisia prosesseja tarvitsemiensa tietojen löytämiseksi sekä tarvittaessa peruuttamaan ja reagoimaan reaaliaikaiseen tietoon. Malli voi lisäksi selata käyttäjien lataamia tiedostoja, piirtää ja iteroida kaavioita Python-työkalun avulla, upottaa sekä verkkosivuilta peräisin olevia luotuja kaavioita että kuvia vastauksiinsa ja viitata käyttämiensä lähteiden tiettyihin lauseisiin ja kohtiin. Koulutuksensa ansiosta se nousee uudelle tasolle useissa julkisissa arvioinneissa, joissa keskitytään todellisen maailman ongelmiin.

Humanity’s Last Exam (Ihmiskunnan viimeinen koe) -arviointi

Äskettäin julkaistussa Humanity’s Last Exam⁠(avautuu uudessa ikkunassa) -arvioinnissa, joka testaa tekoälyä asiantuntijatason kysymyksillä laajasta aihealueesta, syvätutkimusmalli saavutti uuden huipputuloksen: 26,6 % tarkkuuden. Testi koostuu yli 3 000 monivalintatehtävästä ja lyhyistä kysymyksistä, jotka liittyvät yli 100 aiheeseen kielitieteestä rakettitieteeseen, antiikintutkimuksesta ekologiaan. OpenAI o1:een verrattuna se on parempi erityisesti kemian, humanististen tieteiden, yhteiskuntatieteiden sekä matematiikan aloilla. Syvätutkimusta pyörittävä malli on osoittanut, että sillä on ihmisen kaltainen lähestymistapa etsiä tarvittaessa tehokkaasti erikoistunutta tietoa.

Malli	Tarkkuus (%)
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 (keskitaso)*	10,5
OpenAI o3-mini (korkea)*	13,0
OpenAI-syvätutkimus**	26,6

* Malli ei ole multimodaalinen, sitä arvioidaan vain tekstistä koostuvalla osajoukolla.

**selailulla + Python-työkaluilla

GAIA

Julkinen vertailuarvoGAIA⁠(avautuu uudessa ikkunassa)¹ arvioi sitä, miten tekoäly suoriutuu todellisen maailman kysymyksistä. Syvätutkimusta pyörittävä malli saavuttaa uuden huipputason (SOTA) ja on ulkoisen tulostaulukon⁠(avautuu uudessa ikkunassa) kärjessä. GAIA sisältää kolmen eri vaikeustason kysymyksiä, ja tehtävien suorittaminen hyväksytysti edellyttää mm. päättelykykyä, multimodaalista sujuvuutta, verkon selailua sekä taitoa käyttää työkaluja.

GAIA
	Taso 1	Taso 2	Taso 3	Keskiarvo
Edellinen SOTA(avautuu uudessa ikkunassa)	67,92	67,44	42,31	63,64
Syvätutkimus (cons@1)	74,29	69,06	47,6	67,36
Syvätutkimus (cons@64)	78,66	73,21	58,03	72,57

Esimerkkejä GAIA-tehtävistä

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.]

Tarkennetaan hakua

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.

Kootaan tietoja yhteen

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.

[hakutoiminto]

Navigoidaan hakusuodattimia

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.

Tunnistetaan konferenssijulkaisuja

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

[selaustoiminto]

Pohditaan mahdollisia ongelmia

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

[selaustoiminto]

Harkitaan dynaamisia vaihtoehtoja

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

[hakutoiminto]

Avainominaisuuksien löytäminen

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

[selaustoiminto]

Havaintojen kokoaminen yhteen

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

[hakutoiminto]

Tietojen yhdistäminen

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.

[hakutoiminto]

Jäljitetään lehden vihjeitä

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

[hakutoiminto]

Analysoidaan tapahtumatietoja

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

[selaustoiminto]

Kootaan tutkimusta

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.

[selaustoiminto]

Määritetään painopistettä

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."

[selaustoiminto]

Arvioidaan kirjastolähteitä

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

[selaustoiminto]

Arvioidaan käytettävyyttä

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

[selaustoiminto]

Kootaan yhteen E-MRS 2012

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

[selaustoiminto]

Tunnistetaan relevantteja aiheita

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.

[selaustoiminto]

Mukautetaan painopistettä

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.

[hakutoiminto]

Etsitään muita kuin plasmonisia mahdollisuuksia

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.

[hakutoiminto]

Kootaan vihjeitä yhteen

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

[hakutoiminto]

Kootaan palasia yhteen

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.

[hakutoiminto]

Asiantuntijatasoiset tehtävät

Eri alojen asiantuntijatason tehtävien sisäisessä arvioinnissa alan asiantuntijat arvioivat, että syvätutkimus on automatisoinut useiden tuntien haastavan manuaalisen tutkimuksen.

Läpäisyaste vs. maksimityökalupyynnöt

Mitä enemmän malli selaa ja miettii selaamaansa, sitä paremmin se suoriutuu, ja siksi on tärkeää antaa mallille aikaa miettiä.

Esimerkkejä asiantuntijatasoisista tehtävistä

Tehtävässä säästetty aika: 4 tuntia

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.

Sorptiomallien ymmärtäminen

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.

[hakutoiminto]

Avoimen saatavuuden arviointi

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

[selaustoiminto]

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

[selaustoiminto]

Keskeisten ominaisuuksien selventäminen

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

[selaustoiminto]

Kokoaminen yhteen

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.

[selaustoiminto]

Nimikkeen relevanssin vahvistaminen

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.

[hakutoiminto]

Artikkelin yhteyksien tutkiminen

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.

[selaustoiminto]

Tietojen kerääminen

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.

[hakutoiminto]

Kaasun sorption vertailu

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.

[selaustoiminto]

Käsitteiden yhdistäminen

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.

[hakutoiminto]

Esikatselutietojen pyytäminen

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

[selaustoiminto]

PDF-linkin tarkistaminen

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.

[hakutoiminto]

Sorptiokäyttäytymisen ennustaminen

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

[selaustoiminto]

PDF-tiedoston hakeminen

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.

[selaustoiminto]

Arkistovaihtoehtojen arviointi

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.

[hakutoiminto]

Fokuksen tarkentaminen

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

[hakutoiminto]

Sorptiomallien ymmärtäminen

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.

[hakutoiminto]

Hero.epa.gov:n tutkiminen

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

[selaustoiminto]

Mallin tarkentaminen

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.

[selaustoiminto]

Kaksitilaisen sorptiomallin haasteiden käsittely

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

[selaustoiminto]

Poikkeaman kvantifiointi

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.

[selaustoiminto]

Viitteiden sisällyttäminen

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.

[selaustoiminto]

Osioiden ehdottaminen

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.

Sisällön järjestäminen

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.

[hakutoiminto]

Sitaattien valinta

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

Parametrien määrittäminen

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.

Haasteiden käsittely

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

Kokoaminen yhteen

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.

Asiantuntijatason tehtävien läpäisyaste arvioidun taloudellisen arvon mukaan jaoteltuna

Asiantuntijatason tehtävien läpäisyaste arvioitujen tuntien mukaan jaoteltuna

Tehtävän arvioitu taloudellinen arvo korreloi paremmin läpäisyasteen kuin ihmisen tarvitsemien tuntien määrän kanssa – asiat, joita mallit pitävät vaikeina, poikkeavat siitä, mitä ihmiset pitävät aikaa vievinä.

Rajoitukset

Syvätutkimus avaa merkittäviä uusia mahdollisuuksia, mutta se on vielä alkuvaiheessa ja sillä on rajoituksia. Joskus se voi esittää virheellisiä väitteitä tai tehdä vääriä päätelmiä, vaikkakin sisäisten arvioiden mukaan huomattavasti harvemmin kuin olemassa olevat ChatGPT‑mallit. Sillä on joskus vaikeuksia erottaa luotettavaa tietoa huhuista, ja sen varmuuden kalibrointi on tällä hetkellä heikkoa, eikä se useinkaan pysty ilmaisemaan epävarmuuttaan tarkasti. Julkaisun yhteydessä raporteissa ja viitteissä saattaa esiintyä pieniä muotoiluvirheitä, ja tehtävien käynnistyminen voi kestää kauemmin. Odotamme, että kaikki nämä ongelmat korjaantuvat nopeasti käytön ja ajan myötä.

Käyttöoikeus

ChatGPT:n syvätutkimus vaatii tällä hetkellä runsaasti laskentatehoa. Mitä kauemmin kyselyn tutkiminen kestää, sitä enemmän laskentatehoa päättelyyn tarvitaan. Aloitamme tänään Pro-käyttäjille optimoidulla versiolla, joka sallii jopa 100 kyselyä kuukaudessa. Plus- ja Team-käyttäjät saavat pääsyn seuraavaksi, ja heidän jälkeensä Enterprise-käyttäjät. Työskentelemme parhaillaan sen hyväksi, että käyttäjät Yhdistyneessä kuningaskunnassa, Sveitsissä ja ETA-alueella saisivat palvelun käyttöönsä.

Kaikki maksavat käyttäjät saavat pian selvästi korkeammat käyttörajat, kun julkaisemme syvätutkimuksesta nopeamman ja kustannustehokkaamman version, joka perustuu pienempään malliin, mutta tuottaa silti laadukkaita tuloksia.

Tulevina viikkoina ja kuukausina kehitämme teknistä infrastruktuuria, seuraamme tarkasti nykyistä julkaisua ja suoritamme entistä perusteellisempia testauksia. Tämä vastaa toistuvan käyttöönoton periaatettamme. Jos kaikki turvallisuustarkastukset jatkossakin täyttävät julkaisustandardimme, aiomme julkaista syvätutkimuksen Plus-käyttäjille noin kuukauden kuluttua.

Mitä seuraavaksi

Syvätutkimus on saatavilla tänään ChatGPT:n verkossa, ja se otetaan käyttöön mobiili- ja työpöytäsovelluksissa kuukauden kuluessa. Tällä hetkellä syvätutkimus voi käyttää avointa verkkoa ja kaikkia ladattuja tiedostoja. Tulevaisuudessa voit yhdistää syvätutkimuksen entistä erikoistuneempiin tietolähteisiin – laajentaen sen pääsyä tilauspohjaisiin tai sisäisiin resursseihin – mikä tekee sen tuotoksista entistä vahvempia ja yksilöllisempiä.

Jatkossa suunnittelemme agenttipohjaisten kokemusten yhdistyvän ChatGPT:ssä asynkronista, reaalimaailman tutkimusta ja toteutusta varten. Yhdistelmä syvätutkimusta, joka kykenee asynkroniseen verkkopohjaiseen tiedonhakuun, ja Operatoria, joka voi toteuttaa toimintoja reaalimaailmassa, mahdollistaa sen, että ChatGPT voi suorittaa yhä kehittyneempiä tehtäviä puolestasi.

Lisäys 3. helmikuuta 2025: Suoritimme perusteellisia turvallisuustestauksia, valmiusarviointeja ja hallintotarkastuksia syvätutkimusta käyttävän o3:n varhaisversiolle, ja arvioimme sen riskitasoksi keskitason⁠(avautuu uudessa ikkunassa). Suoritimme myös lisää turvallisuustestauksia ymmärtääksemme paremmin syvätutkimuksen verkkoselauskykyyn liittyviä lisäriskejä, ja olemme ottaneet käyttöön uusia lieventämistoimia. Jatkamme nykyisen rajoitetun version perusteellista testaamista ja tarkkaa seurantaa. Jaamme turvallisuuteen liittyvät havainnot ja suojatoimet syvätutkimusta koskevassa järjestelmäkortissa, kun laajennamme pääsyn Plus-käyttäjille.

Alaviitteet

1
Havaitsimme, että tämän aineiston totuudenmukaiset vastaukset olivat vuotaneet laajalti verkkoon, ja olemme estäneet useita verkkosivustoja tai URL-osoitteita varmistaaksemme mallin oikeudenmukaisen arvioinnin.

Tekijät

OpenAI

Tutkimusjohtajat

Isa Fulford ja Zhiqing Sun

Keskeiset tukijat

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

Päätukijat

Tutkimus

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

Käyttöönotto

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

Tukijat

Tutkimus

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

+ kaikki o3-tukijat.

Turvallisuusjärjestelmät

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

Käyttöönotto

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

Johtoryhmä

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