Passer au contenu principal
OpenAI

2 février 2025

Versions

Présentation de la recherche approfondie

Un agent qui raisonne pour synthétiser de grandes quantités d’infos en ligne et mener des recherches complexes à votre place. Déjà dispo pour les Pro, bientôt pour les utilisateurs Plus et Team.

Essayer ChatGPT(ouverture dans une nouvelle fenêtre)
Chargement...

Mise à jour du 10 février 2026 : vous pouvez désormais connecter vos recherches approfondies à n'importe quel MCP ou application et limiter les recherches sur le Web à des sites fiables, afin de vous concentrer sur des sources authentifiées et conformes aux normes du secteur. Vous pouvez également suivre la progression en temps réel et interrompre le processus pour affiner vos recherches à l'aide de messages de suivi ou de nouvelles sources. Nous avons amélioré l'expérience visuelle afin de faciliter la création, le suivi et la révision de vos recherches de bout en bout.

Mise à jour du 17 juillet 2025 : la recherche approfondie peut désormais aller encore plus loin et gagner en ampleur grâce à l'accès à un navigateur visuel intégré à l'agent ChatGPT. Pour accéder à ces nouvelles fonctionnalités, il suffit de sélectionner « Mode agent » dans le menu déroulant du champ de saisie et de saisir directement votre requête. La fonctionnalité de recherche approfondie d'origine reste disponible via l'option « Recherche approfondie » dans le menu Outils.

Mise à jour du 24 avril 2025 : nous augmentons considérablement la fréquence à laquelle vous pouvez utiliser la recherche approfondie. De plus, les utilisateurs des versions Plus, Team, Enterprise et Edu bénéficient désormais de 25 requêtes par mois, les utilisateurs Pro de 250 et les utilisateurs Free de 5. Cette possibilité est offerte grâce à une nouvelle version simplifiée de la recherche approfondie, optimisée par une version d'o4-mini, conçue pour être plus rentable tout en conservant une qualité élevée. Une fois que vous aurez atteint votre limite pour la version complète, vos requêtes passeront automatiquement à la version simplifiée.

Mise à jour du 25 février 2025 : tous les utilisateurs Plus peuvent désormais utiliser la recherche approfondie.

Mise à jour du 5 février 2025 : la recherche approfondie est désormais disponible pour les utilisateurs Pro au Royaume-Uni, en Suisse et dans l'Espace économique européen.

Aujourd’hui, nous lançons la recherche approfondie sur ChatGPT. Il s’agit d’une nouvelle capacité agentique qui effectue des recherches en plusieurs étapes sur Internet pour des tâches complexes. Il exécute en quelque dizaines de minutes ce qui prendrait plusieurs heures à un être humain.

La recherche approfondie est le prochain agent d’OpenAI qui peut se mettre à votre service de manière indépendante. Il vous suffit de lui donner une instruction et ChatGPT trouvera, analysera et synthétisera des centaines de sources en ligne pour créer un rapport complet digne d’un analyste de recherche. Optimisée pour une navigation web et pour l’analyse de donnée, elle repose sur une version future du modèle OpenAI o3, elle s’appuie sur le raisonnement pour rechercher, interpréter et analyser de larges volumes de textes, d’images et de PDF sur Internet, en s’adaptant si nécessaire en fonction des informations recueillies.

La capacité à synthétiser les connaissances est un pré-requis pour création de nouvelles connaissances. Pour cette raison, la recherche avancée constitue une avancée majeure dans notre ambition plus vaste de créer une intelligence artificielle générale, capable à terme de générer de nouvelles recherches scientifiques.

Pourquoi avoir conçu la recherche approfondie

La recherche approfondie est conçue pour les personnes qui effectuent un travail intellectuel intense dans les domaines tels que la finance, la science, la politique et l’ingénierie et qui ont besoin de recherches approfondies précises et fiables. Elle peut également être utile aux acheteurs avertis en quête de recommandations hyper-personnalisées pour des achats qui nécessitent généralement des recherches approfondies, notamment pour les achats de véhicules, d’appareils électroménagers et de meubles. Chaque résultat est entièrement documenté, avec des citations claires et un résumé de la réflexion, ce qui facilite la référencement et la vérification des informations. C’est un outil particulièrement efficace pour trouver des informations spécialisées et non intuitives qui nécessiteraient de parcourir de nombreux sites Internet. En une seule requête, la recherche approfondie vous permet de gagner un temps précieux en vous évitant de devoir effectuer des recherches complexes et fastidieuses sur le web.

La recherche approfondie permet de découvrir, de raisonner et de consolider des informations provenant de l’ensemble du web de manière indépendante. Pour y parvenir, elle a été entraînée sur des tâches réelles nécessitant l’utilisation d’un navigateur et d’un outil Python, en utilisant les mêmes méthodes d’apprentissage par renforcement que celles utilisées pour OpenAI o1, notre premier modèle de raisonnement. Bien qu’o1 fasse preuve de capacités impressionnantes en codage, en mathématiques et dans d’autre domaines techniques, de nombreux défis concrets exigent un contexte exhaustif et la collecte d’informations à partir de diverses sources en ligne. La recherche approfondie s’appuie sur ces capacités de raisonnement pour remédier à ce problème, ce qui lui permet d’aborder les défis du quotidien et du monde professionnel.

Comment utiliser la recherche approfondie

Sur ChatGPT, sélectionnez « recherche approfondie » dans le champ de saisie et saisissez votre requête. Indiquez votre demande à ChatGPT, qu’il s’agisse d’une analyse concurrentielle sur les plateformes de streaming ou d’un rapport personnalisé sur le vélo le plus adapté à vos trajets. Vous pouvez joindre des fichiers ou des feuilles de calcul pour ajouter des éléments de contexte à votre question. Après l’exécution, une barre latérale s’affiche avec un résumé des étapes effectuées et des sources mobilisées.

La recherche approfondie peut prendre entre 5 à 30 minutes, le temps de consulter le web. Pendant ce temps, vous pouvez vous absenter ou faire autre chose : vous recevrez une notification lorsque la recherche sera terminée. Le résultat final se présente sous la forme d’un rapport dans le chat ; au cours des prochaines semaines, nous ajouterons également des images intégrées, des visualisations de données et d’autres résultats analytiques dans ces rapports pour plus de clarté et de contexte.

Comparativement à la recherche approfondie, le GPT‑4o est idéal pour les conversations multimodales en temps réel. En ce qui concerne les questions complexes et spécialisées nécessitant rigueur et exhaustivité, la capacité de la recherche approfondie à explorer en détail et à citer chaque source fait toute la différence entre un simple résumé et une réponse vérifiée, prête à être livrée.

GPT-4o

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

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

Top 10 Developed Countries by GDP:

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

Top 10 Developing Countries by GDP:

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

Insights:

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

Recommendations:

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

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

Among developing countries, the following are noteworthy:

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

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

Recherche approfondie

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

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

Country

iOS Market Share

Android Market Share

Interest in New Language

(% of population)

Mobile Penetration Change (2013→2023)

United States

(USA)

~58% iOS vs 42% Android

(see left)

High:

70% regret losing foreign-language ability (indicating strong desire to improve)

56%→82%

smartphone penetration (↑26 pp)

Japan

~69% iOS vs 31% Android

(see left)

High:

Over 50% want to learn English

~30%→79%

(approx.) (↑~50 pp)

Germany

~39% iOS vs 60% Android

(see left)

High:

86% of Europeans say everyone should speak ≥1 foreign language (strong pro-language attitude)

40%→82%

(↑42 pp)

United Kingdom

(UK)

~52% iOS vs 47% Android

(see left)

Moderate-High:

~73% have some interest (only 27% “no interest” in new languages)

62%→82%

(↑20 pp)

France

~35% iOS vs 64% Android

(see left)

High:

86% (EU average) favor multilingualism; English widely seen as important

42%→83%

(↑40 pp)

Italy

~30% iOS vs 69% Android

(see left)

High:

86% (EU avg.) favor language learning; 1 in 4 regret not learning another

41%→85%

(↑44 pp)

Canada

~60% iOS vs 40% Android

(see left)

Moderate:

Many bilingual (English/French); rising interest in third languages (no recent % data)

56%→~80%

(↑ ~24 pp) (est., similar to US)

South Korea

~24% iOS vs 76% Android

(see left)

Moderate:

Strong English education focus; ~40% of teens are learning English

73%→~95%

(↑ ~22 pp) – already very high by 2013 (near saturation now)

Australia

~55% iOS vs 45% Android

(see left)

Moderate:

~70% see learning languages as valuable (English dominant but interest in Asian languages growing)

65%→~85%

(↑ ~20 pp) (est., high smartphone use)

Spain

~20% iOS vs 79% Android

(see left)

High:

88% of Spaniards learned a foreign language in school (e.g. English); strong cultural interest

55%→~85%

(↑ ~30 pp) (est., nearing Western Europe peers)

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

Country

iOS Market Share

Android Market Share

Interest in New Language

(notable stats)

Mobile Penetration Change (2013→2023)

China

^(ChatGPT restricted)

~24% iOS vs 75% Android

(see left)

Very High:

Hundreds of millions learning English (but ChatGPT not officially accessible)

47%→68%

(↑21 pp)

India

~4% iOS vs 95% Android

(see left)

High:

English compulsory in many schools; strong economic motivation (80% link English to higher income)

~5%→46%

(↑ ~41 pp) (huge jump in smartphone adoption)

Brazil

~18% iOS vs 82% Android

(see left)

High:

Great demand for English – only ~5% speak it, but most see it as key skill

26%→67%

(↑40 pp)

Russia

^(ChatGPT limited)

~30% iOS vs 69% Android

(see left)

Moderate:

English learning common (compulsory in school); interest exists but ChatGPT availability is uncertain

36%→74%

(↑38 pp)

Mexico

~24% iOS vs 76% Android

(see left)

High:

Strong desire to learn English for US job/migration; ~50% of students study English in school (est.)

37%→62%

(↑25 pp)

Indonesia

~12% iOS vs 88% Android

(see left)

High:

English seen as gateway skill; government programs to improve English proficiency

<30%→68%

(↑ ~40 pp)

Turkey

~15% iOS vs 85% Android (est.)

(see left)

High:

English highly valued (universal in education);

80%

link English to better jobs

30%→75%

(↑45 pp)

Saudi Arabia

~24% iOS vs 76% Android

(see left)

Moderate:

English widely taught; 92% smartphone ownership (many already bilingual in English/Arabic)

73%→~95%

(↑ ~22 pp) (early adopter; near saturation now)

South Africa

~16% iOS vs 83% Android

(see left)

High:

Multilingual society; English and Afrikaans taught alongside native languages – cultural impetus to learn others

40%→~60%

(↑ ~20 pp) (est., steady growth)

Argentina

~12% iOS vs 88% Android

(see left)

High:

Strong interest in English (Argentina leads Latin America in English proficiency)

31%→~70%

(↑ ~39 pp) (est., sharp rise with smartphone adoption)

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

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

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

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

La recherche approfondie répond à la requête de manière très détaillée, en fournissant côte à côte des données par pays pour les 10 premiers pays développés et les 10 premiers pays en développement, afin de faciliter les références et les comparaisons. Elle se sert de ces informations pour fournir des recommandations détaillées sur la pénétration du marché, qui sont pertinentes et exploitables.

Comment ça fonctionne

La recherche approfondie a été entraînée à l’aide de l’apprentissage par renforcement de bout en bout sur des tâches difficiles de navigation et de raisonnement dans divers domaines. Grâce à cet entraînement, elle a appris à planifier et à exécuter une trajectoire en plusieurs étapes pour trouver les données dont elle a besoin, en revenant sur ses pas et en réagissant aux informations en temps réel si nécessaire. Le modèle est également capable de parcourir les fichiers téléchargés par les utilisateurs, de tracer et de reproduire des graphiques à l’aide de l’outil python, d’intégrer dans ses réponses des graphiques générés et des images provenant de sites web, et de citer des phrases ou des passages spécifiques de ses sources. Grâce à cet entraînement, il atteint de nouveaux records dans le cadre d’un certain nombre d’évaluations publiques axées sur des problèmes concrets.

Le dernier examen de l’humanité

Lors du dernier examen de l’humanité⁠(ouverture dans une nouvelle fenêtre), une évaluation récemment publiée qui teste l’IA sur un large éventail de sujets et sur des questions de niveau expert, le modèle qui alimente la recherche approfondie atteint un nouveau record avec une précision de 26,6 %. Ce test consiste en plus de 3 000 questions à choix multiples et à des réponses courtes portant sur plus de 100 sujets, de la linguistique à l’astronautique, des lettres classiques à l’écologie. Comparativement à l’OpenAI o1, les avancées majeures ont été observées en dans les domaines de la chimie, des sciences humaines et sociales et des mathématiques. Le modèle qui alimente la recherche approfondie imite l’approche humaine en recherchant efficacement des informations spécialisées lorsque cela s’avère nécessaire.

ModèlePrécision (%)
GPT-4o3,3
Grok-23,8
Claude 3.5 Sonnet4,3
Gemini avec raisonnement6,2
OpenAI o19,1
DeepSeek-R1*9,4
OpenAI o3-mini (intermédiaire)*10,5
OpenAI o3-mini (élevé)*13,0
Recherche approfondie OpenAI**26,6
* Ce modèle n’est pas multimodal et l’évaluation a donc porté sur un sous-ensemble composé de texte uniquement.
** avec navigation + outils python

GAIA

Sur GAIA⁠(ouverture dans une nouvelle fenêtre)1, une référence publique qui évalue l’IA sur des questions concrètes, le modèle qui alimente la recherche approfondie établit un nouveau record (SOTA), en se plaçant en tête du classement externe⁠(ouverture dans une nouvelle fenêtre). Comprenant des questions de trois niveaux de difficulté, la réussite de ces tâches requiert des compétences telles que le raisonnement, la maîtrise multimodale, la navigation web et la maîtrise des outils.

GAIA
Niveau 1Niveau 2Niveau 3Moy.
État de l’art précédent(ouverture dans une nouvelle fenêtre)67,9267,4442,3163,64
Recherche approfondie (pass@1)74,2969,0647,667,36
Recherche approfondie (cons@64)78,6673,2158,0372,57

Exemples de tâche 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 insights

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]

Tâches de niveau expert

Lors d’une évaluation interne portant sur des tâches de niveau expert dans divers domaines, des experts ont estimé que recherche approfondie avait permis d’automatiser plusieurs heures de recherche manuelle complexe. 

Taux de réussite en fonction du nombre maximal d’appels à l’outil
Taux de réussiteNombre maximal d’appels à l’outil
Plus le modèle consulte des ressources et réfléchit à ces ressources, meilleures sont ses performances. Il est par conséquent important de lui donner le temps de réfléchir.
Exemples de tâches de niveau expert
Temps gagné sur la tâche : 4 heures

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

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

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

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

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

Ctot=kD,ApA+kD,BpB  +   CH,A′ bA pA  +  CH,B′ bB pB  1+bApA+bBpB  ,C_{\text{tot}} = k_{D,A}p_A + k_{D,B}p_B \;+\; \frac{\,C'_{H,A}\,b_A\,p_A \;+\; C'_{H,B}\,b_B\,p_B\,}{\,1 + b_A p_A + b_B p_B\,}\,,

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

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

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

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

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]

[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]

[browse action]

[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.

Taux de réussite sur des tâches de niveau expert en fonction de la valeur économique estimée
Taux de réussiteValeur économique estimée
Taux de réussite sur des tâches de niveau expert en fonction du nombre d’heures estimé
Taux de réussiteNombre d’heures estimé
La valeur économique estimée d’une tâche est davantage corrélée au taux de réussite qu’au nombre d’heures dont un être humain aurait besoin pour l’effectuer. Les tâches jugées difficiles par les modèles ne sont pas celles qui prennent le plus de temps aux êtres humains.

Limites

La recherche approfondie apporte des avancées significatives, bien qu’elle soit encore en phase initiale et présente des limites. Elle peut parfois inventer des faits dans les réponses ou faire des déductions incorrectes, mais à un taux nettement inférieur à celui des modèles ChatGPT existants, d’après les évaluations internes. Elle peut avoir du mal à distinguer les informations foi de rumeurs et présente actuellement des faiblesses dans l’étalonnage de la confiance, ne parvenant souvent pas à exprimer l’incertitude de manière précise. Au début, des erreurs mineures de formatage peuvent survenir dans les rapports et les citations, et les tâches peuvent prendre plus de temps à démarrer. Nous pensons que tous ces problèmes s’amélioreront rapidement au fil du temps et de l’utilisation.

Accès

La recherche approfondie sur ChatGPT demande actuellement une puissance de calcul très élevée. Plus une requête prend de temps à être traitée, plus elle nécessite de puissance de déduction. Nous commençons aujourd’hui par une version optimisée pour les utilisateurs Pro, qui disposent d’un maximum de 100 requêtes par mois. Les utilisateurs Plus et Team y auront ensuite accès, suivis par les utilisateurs Enterprise. Nous poursuivons nos efforts pour que les utilisateurs du Royaume-Uni, de la Suisse et de l’Espace économique européen puissent bientôt accéder au service. 

Une nouvelle version de recherche approfondie, plus rapide et plus économique, alimentée par un modèle plus léger mais de haute qualité, permettra bientôt à tous les utilisateurs payants de profiter de limites d’utilisation bien plus généreuses. 

Au cours des semaines et des mois à venir, nous travaillerons sur l’infrastructure technique, nous surveillerons de près la version actuelle et nous effectuerons des tests encore plus rigoureux. Cela correspond à notre principe de déploiement itératif. Dans la mesure où tous les contrôles de sécurité continuent de répondre à nos normes de publication, les utilisateurs Plus devraient pouvoir utiliser la recherche approfondie dans environ un mois.

Évolutions prévues

La recherche approfondie est disponible sur ChatGPT web, et sera déployée sur les applications mobiles et de bureau dans le courant du mois. Actuellement, la recherche approfondie peut accéder au web public et à tous les fichiers téléchargés. Il sera bientôt possible de connecter des sources de données plus pointues, y compris des ressources internes ou payantes, afin d’améliorer la précision et la personnalisation des sorties.

À plus long terme, nous envisageons l’intégration d’expériences agentiques dans ChatGPT, capables d’effectuer des recherches et des tâches concrètes de façon asynchrone. En associant la recherche approfondie, qui permet d’effectuer des recherches asynchrones en ligne et Operator, qui exécute des actions concrètes, ChatGPT peut effectuer des tâches de plus en plus sophistiquées à votre place.

Addendum du 3 fevrier 2025 : Nous avons effectué des tests de sécurité rigoureux, des évaluations de préparation et des analyses de gouvernance sur la première version d’o3, qui alimente la recherche approfondie, et l’avons classée comme présentant un risque modéré⁠(ouverture dans une nouvelle fenêtre). Nous avons également effectué des tests de sécurité supplémentaires afin de mieux comprendre les autres risques associés à la navigation web de la recherche approfondie et nous avons ajouté de nouvelles mesures de prévention. Nous continuerons à tester minutieusement la version limitée actuelle et à la surveiller de près. Dès que les utilisateurs Plus auront accès à la recherche approfondie, nous diffuserons une fiche système exposant nos retours de sécurité et les dispositifs de protection associés.

Notes de bas de page

  1. 1

    Nous avons déterminé que les réponses correctes pour cet ensemble de données étaient largement divulguées en ligne et qu’elles avaient bloqué plusieurs sites Web ou URL en conséquence pour garantir une évaluation juste du modèle.

Auteurs

OpenAI

Directeurs de recherche

Isa Fulford, Zhiqing Sun

Contributeurs principaux

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

Contributeurs principaux

Recherche

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

Déploiement

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

Contributeurs

Recherche

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

+ tous les contributeurs au modèle o3.

Systèmes de sécurité

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

Déploiement

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

Direction

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