2 փետրվարի, 2025 թ.

Ներկայացնում ենք խորքային ուսումնասիրությունը

Ագենտ, որն օգտագործում է հիմնավորում՝ մեծ քանակությամբ առցանց տեղեկատվություն սինթեզելու և ձեզ համար բազմափուլ հետազոտական առաջադրանքներ կատարելու համար։ Այսօր հասանելի է Pro օգտատերերի համար, հետագայում՝ Plus և Team օգտատերերի համար:

Փորձեք ChatGPT-ում

Բեռնվում է…

Փետրվարի 10, 2026 թարմացում: Այժմ կարող եք կապակցել խորքահին ուսումնասիրությունը ցանկացած MCP-ի կամ հավելվածի հետ և սահմանափակել վեբ որոնումները վստահելի կայքերով, որպեսզի կենտրոնանաք վավերացված, ոլորտային ստանդարտ աղբյուրների վրա։ Այժմ կարող եք նաև իրական ժամանակում հետևել առաջընթացին և ընդհատել՝ ճշգրտելու համար հետագա հարցումներով կամ նոր աղբյուրներով։ Մենք թարմացրել ենք տեսողական փորձառությունը, որպեսզի ավելի հեշտ լինի սկսել, հետևել և վերանայել ձեր ուսումնասիրությունը սկզբից մինչև վերջ։

2025 թվականի հուլիսի 17-ի թարմացում. Խորքային ուսումնասիրությունը այժմ կարող է ավելի խորը և լայնածավալ լինել՝ ChatGPT ագենտի շրջանակներում դիտարկչին հասանելիության շնորհիվ: Այս թարմացված հնարավորություններին մուտք գործելու համար պարզապես ընտրեք «ագենտի ռեժիմ» կոմպոզիտորի ցանկից և անմիջապես մուտքագրեք ձեր հարցումը: Խորքային ուսումնասիրության սկզբնական ֆունկցիոնալությունը մնում է հասանելի գործիքների ցանկի «խորքային ուսումնասիրություն» տարբերակի միջոցով:

2025 թվականի ապրիլի 24-ի թարմացում: Մենք զգալիորեն մեծացնում ենք խորքային ուսումնասիրության օգտագործման հաճախականությունը՝ Plus, Team, Enterprise և Edu օգտատերերը այժմ ստանում են 25 հարցում ամսական, Pro օգտատերերը՝ 250, իսկ Free օգտատերերը՝ 5։ Սա հնարավոր է դարձել o4-mini տարբերակով հզորացված խորը հետազոտության նոր թեթև տարբերակի շնորհիվ, որը նախագծված է ավելի մատչելի լինելու և բարձր որակը պահպանելու համար։ Երբ հասնեք ամբողջական տարբերակի համար ձեր սահմանաչափին, ձեր հարցումները ավտոմատ կերպով կանցնեն թեթև տարբերակի։

Փետրվարի 25, 2025 թարմացում: Բոլոր Plus օգտատերերը այժմ կարող են օգտագործել խորքային ուսումնասիրություն։

2025 թվականի փետրվարի 5-ի թարմացում. Խորքային ուսումնասիրությունն այժմ հասանելի է Pro օգտատերերին Միացյալ Թագավորությունում, Շվեյցարիայում և Եվրոպական տնտեսական տարածքում։

Այսօր մենք գործարկում ենք ChatGPT‑ի խորքային ուսումնասիրությունը, նոր ագենտային հնարավորություն, որը բազմափուլ հետազոտություններ է անցկացնում ինտերնետում բարդ առաջադրանքների համար։ Այն տասնյակ րոպեների ընթացքում կատարում է այն, ինչ մարդուն կպահանջվեր բազմաթիվ ժամեր։

Խորքային ուսումնասիրությունը OpenAI-ի հաջորդ ագենտն է, որը կարող է ինքնուրույն աշխատանք կատարել ձեզ համար. դուք տալիս եք հարցում, և ChatGPT‑ն կգտնի, կվերլուծի և կսինթեզի հարյուրավոր առցանց աղբյուրներ՝ հետազոտական վերլուծաբանի մակարդակով համապարփակ զեկույց ստեղծելու համար։ Աշխատում է OpenAI o3 մոդելի առաջիկա տարբերակի հիման վրա, որը օպտիմալացված է վեբ զննարկման և տվյալների վերլուծության համար, այն օգտագործում է հիմնավորումը՝ ինտերնետում մեծ քանակությամբ տեքստեր, պատկերներ և PDF ֆայլեր որոնելու, մեկնաբանելու և վերլուծելու համար՝ անհրաժեշտության դեպքում փոփոխվելով իր հանդիպած տեղեկատվությանը արձագանքելու համար։

Տեղեկությունների սինթեզման ունակությունը նախապայման է նոր տեղեկություններ ստեղծելու համար։ Այս պատճառով խորը հետազոտությունը նշանակալի քայլ է դեպի մեր ավելի լայն նպատակը՝ զարգացնել AGI-ն, որը մենք վաղուց պատկերացնում էինք որպես նորարարական գիտական հետազոտություններ իրականացնելու ունակ։

Why we built deep research

Deep research is built for people who do intensive knowledge work in areas like finance, science, policy, and engineering and need thorough, precise, and reliable research. It can be equally useful for discerning shoppers looking for hyper-personalized recommendations on purchases that typically require careful research, like cars, appliances, and furniture. Every output is fully documented, with clear citations and a summary of its thinking, making it easy to reference and verify the information. It is particularly effective at finding niche, non-intuitive information that would require browsing numerous websites. Deep research frees up valuable time by allowing you to offload and expedite complex, time-intensive web research with just one query.

Deep research independently discovers, reasons about, and consolidates insights from across the web. To accomplish this, it was trained on real-world tasks requiring browser and Python tool use, using the same reinforcement learning methods behind OpenAI o1, our first reasoning model. While o1 demonstrates impressive capabilities in coding, math, and other technical domains, many real-world challenges demand extensive context and information gathering from diverse online sources. Deep research builds on these reasoning capabilities to bridge that gap, allowing it to take on the types of problems people face in work and everyday life.

How to use deep research

In ChatGPT, select ‘deep research’ in the message composer and enter your query. Tell ChatGPT what you need—whether it’s a competitive analysis on streaming platforms or a personalized report on the best commuter bike. You can attach files or spreadsheets to add context to your question. Once it starts running, a sidebar appears with a summary of the steps taken and sources used.

Deep research may take anywhere from 5 to 30 minutes to complete its work, taking the time needed to dive deep into the web. In the meantime, you can step away or work on other tasks—you’ll get a notification once the research is complete. The final output arrives as a report within the chat – in the next few weeks, we will also be adding embedded images, data visualizations, and other analytic outputs in these reports for additional clarity and context.

Compared to deep research, GPT‑4o is ideal for real-time, multimodal conversations. For multi-faceted, domain-specific inquiries where depth and detail are critical, deep research’s ability to conduct extensive exploration and cite each claim is the difference between a quick summary and a well-documented, verified answer that can be usable as a work product.

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.

Deep research

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.

Deep research responds to the prompt in a highly detailed manner, providing side-by-side country-specific data for both top 10 developed and top 10 developing countries for easy reference and comparison. It uses that information to offer detailed market-entry recommendations that are informed and usable.

Ինչպես է այն աշխատում

Խորքային ուսումնասիրությունը վերապատրաստվել է վերջնական ամրապնդումով ուսուցմամբ մի շարք տիրույթներում բարդ զննարկման և տրամաբանության առաջադրանքների վրա։ Այդ ուսուցման միջոցով այն սովորեց պլանավորել և իրականացնել բազմաքայլ ընթացք՝ անհրաժեշտ տվյալները գտնելու համար՝ հետ գնալով և արձագանքելով իրական ժամանակի տեղեկատվությանը, երբ դա անհրաժեշտ է։ Մոդելը նաև կարող է դիտարկել օգտատիրոջ վերբեռնած ֆայլերը, գծագրել և կրկնել գրաֆիկները՝ օգտագործելով Python գործիքը, իր պատասխաններում ներմուծել և՛ գեներացված գրաֆիկներ, և՛ պատկերներ կայքերից, և մեջբերել իր աղբյուրներից կոնկրետ նախադասություններ կամ հատվածներ։ Այս ուսուցման արդյունքում այն հասնում է նոր բարձունքների մի շարք հանրային գնահատումներում, որոնք կենտրոնացած են իրական աշխարհի խնդիրների վրա։

Մարդկության վերջին քննությունը

«Մարդկության վերջին քննություն»⁠(բացվում է նոր պատուհանում)-ում, վերջերս հրապարակված գնահատական, որը փորձարկում է արհեստական բանականությունը տարբեր առարկաների շրջանակներում փորձագիտական մակարդակի հարցերով, խորքային ուսումնասիրություն իրականացնող մոդելը գրանցել է նոր բարձր ցուցանիշ՝ 26,6% ճշգրտությամբ։ Այս թեստը բաղկացած է ավելի քան 3000 բազմակի ընտրության և կարճ պատասխանով հարցերից՝ ավելի քան 100 առարկաներից՝ լեզվաբանությունից մինչև հրթիռային գիտություն, դասական գրականությունից մինչև էկոլոգիա։ OpenAI o1‑ի համեմատ, ամենամեծ առաջընթացը գրանցվել է քիմիայի, հումանիտար և հասարակական գիտությունների, ինչպես նաև մաթեմատիկայի ոլորտներում։ Խորքային ուսումնասիրության մոդելը ցուցադրեց մարդանման մոտեցում՝ անհրաժեշտության դեպքում արդյունավետորեն փնտրելով մասնագիտացված տեղեկատվություն։

Մոդել	Ճշգրտություն (%)
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 (միջին)*	10,5
OpenAI o3-mini (բարձր)*	13,0
OpenAI խորքային ուսումնասիրություն**	26,6

* Մոդելը բազմամոդալ չէ, գնահատվել է միայն տեքստային ենթաբազմաբազմության վրա։

**զննարկմամբ + Python գործիքներով

GAIA

GAIA⁠(բացվում է նոր պատուհանում)-ում ¹, որը հանրային չափանիշ է, որը գնահատում է արհեստական բանականությունը իրական աշխարհի հարցերի վրա, խորքային ուսումնասիրությանը խթանող մոդելը հասնում է նորագույն մակարդակի (SOTA)՝ գլխավորելով արտաքին վարկանիշային աղյուսակը⁠(բացվում է նոր պատուհանում)։ Երեք դժվարության մակարդակների հարցեր ներառող այս առաջադրանքների հաջող ավարտը պահանջում է այնպիսի ունակություններ, ինչպիսիք են հիմնավորումը, բազմամոդալ սահունությունը, վեբ զննումը և գործիքների օգտագործման հմտությունը։

GAIA
	Մակարդակ 1	Մակարդակ 2	Մակարդակ 3	Միջին
Նախորդ SOTA(բացվում է նոր պատուհանում)	67,92	67,44	42,31	63,64
Խորքային ուսումնասիրություն (pass@1)	74,29	69,06	47,6	67,36
Խորքային ուսումնասիրություն (cons@64)	78,66	73,21	58,03	72,57

GAIA առաջադրանքների օրինակներ

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.

[որոնել գործողությունը]

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.

[դիտարկել գործողությունը]

Reflecting on potential issues

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

[դիտարկել գործողությունը]

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.

[որոնել գործողությունը]

Pinpointing key features

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

[դիտարկել գործողությունը]

Piecing together insights

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

[որոնել գործողությունը]

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.

[որոնել գործողությունը]

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.

[որոնել գործողությունը]

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.

[դիտարկել գործողությունը]

Piecing together research

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

[դիտարկել գործողությունը]

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."

[դիտարկել գործողությունը]

Evaluating library sources

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

[դիտարկել գործողությունը]

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.

[դիտարկել գործողությունը]

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.

[դիտարկել գործողությունը]

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.

[դիտարկել գործողությունը]

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.

[որոնել գործողությունը]

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.

[որոնել գործողությունը]

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.

[որոնել գործողությունը]

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.

[որոնել գործողությունը]

Փորձագիտական մակարդակի առաջադրանքներ

Փորձագիտական մակարդակի առաջադրանքների տարբեր ոլորտներում ներքին գնահատման ժամանակ, տիրույթի փորձագետները խորքային ուսումնասիրությունը գնահատեցին որպես ավտոմատացված մի քանի ժամ տևող դժվար, ձեռքով կատարված հետազոտություն։

Անցման ցուցանիշը և գործիքի առավելագույն կանչերի

Որքան շատ մոդելը դիտարկում և մտածում է իր դիտարկածի մասին, այնքան ավելի լավ է այն գործում, այդ իսկ պատճառով կարևոր է նրան մտածելու ժամանակ տալը։

Փորձագիտական մակարդակի առաջադրանքների օրինակներ

Առաջադրանքի վրա խնայված ժամանակ՝ 4 ժամ

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.

Սորբցիայի մոդելների ըմբռնումը

Ես տեղեկություններ եմ հավաքում ապակե պոլիմերներում մաքուր և խառը գազերի սորբցիայի վերաբերյալ՝ կենտրոնանալով երկռեժիմ սորբցիայի մոդելի վրա և անդրադառնալով մոդելավորման կանխատեսումների հետ կապված մարտահրավերներին։

[որոնել գործողությունը]

Բաց հասանելիության գնահատում

Լավ, թույլ տվեք տեսնել: MDPI-ի ապակե պոլիմերներում խառը գազերի սորբցիայի արդյունքը, հավանաբար, բաց հասանելի է։

[դիտարկել գործողությունը]

Բաժինների ուսումնասիրություն
Ես հավաքում եմ պատկերացումներ երկռեժիմ սորբցիայի մոդելից և դրա ընդլայնված վերլուծությունը MDPI հոդվածում։

[դիտարկել գործողությունը]

Հիմնական հատկությունների հստակեցում

Ես ուսումնասիրում եմ լաբորատոր զեկույցը՝ հասկանալու համար Հենրիի օրենքի հաստատունը, Լանգմյուրի աֆինիտետի հաստատունը և Լանգմյուրի հզորության հաստատունը, որոնք նկարագրում են գազի սորբցիան։

[դիտարկել գործողությունը]

Հավաքելով մասերը միասին

Ես դիտարկում եմ այն հնարավորությունը, որ «Հավասարում (3)»-ը և «Հավասարում (4)»-ը կարող են լինել պատկերներ կամ բանաձևերի ցուցադրումներ, և մտածում եմ PDF-ը դիտել կամ որոնել ավելի վաղ հղումներ՝ դրանք ավելի լավ հասկանալու համար։

[դիտարկել գործողությունը]

Վերնագրի համապատասխանության հաստատում

Ես հաստատում եմ, արդյոք Ֆրիմանի և Կորոսի (1980) փաստաթուղթը հատուկ համապատասխանում է «Մոդել խառը գազերի սորբցիայի համար ապակե պոլիմերներում» հղմանը՝ ստուգելով դրա ամփոփագիրը և վերնագիրը։

[որոնել գործողությունը]

Հոդվածների կապերի ուսումնասիրություն

Ես նկատեցի, որ «pmc.ncbi.nlm.nih.gov»-ի արդյունքը, հավանաբար, նույն MDPI հոդվածն է, և ես հետաքրքրված եմ տեսնել, թե արդյոք այն ներկայացնում է տեքստը, թե՞ պարզեցված տարբերակը։

[դիտարկել գործողությունը]

Տեղեկատվության հավաքում

Ես տեղեկություններ եմ հավաքում ապակե պոլիմերներում մաքուր և խառը գազերի կլանման մասին։ Սա կարևոր քայլ է նյութի վարքագիծը տարբեր գազային միջավայրերում հասկանալու համար։

[որոնել գործողությունը]

Համեմատել գազի կլանումը

Ես նկատեցի, որ ածխաթթու գազի առկայությունը խառնուրդում ազդում է պոլիմերում մեթանի սորբցիայի վրա՝ նվազեցնելով մեթանի սորբցիան՝ համեմատած մաքուր գազի սցենարի հետ։

[դիտարկել գործողությունը]

Հասկացությունների կապում

Ես մտածում եմ, թե ինչպես կարող է «ընդլայնված երկռեժիմ հավասարումների խառնուրդ» տերմինը կապված լինել երկռեժիմ գերհաղորդիչ մալուխային հավասարումների հետ։ Սա ցույց է տալիս տարբեր ոլորտների միջև հասկացությունները կապելու ներուժ։

[որոնել գործողությունը]

Ստուգման մանրամասների հարցում

Ես նշում եմ «Պոլիմերային թաղանթում սորբցիայի և տեղափոխման տեսությունները» ստուգելու հարցումը։

[դիտարկել գործողությունը]

PDF հղման ստուգում

Ես հետաքրքրված եմ [2] արդյունքով և այդ հատվածի ուսումնասիրությամբ, որը ներառում է երկռեժիմային սորբցիայի մոդելի ընդլայնումը երկուական խառնուրդի վրա և A-ի կոնցենտրացիայի արտահայտումը մասնակի ճնշումների և հաստատունների միջոցով։

[որոնել գործողությունը]

Սորբցման վարքագծի կանխատեսում

Երկակի ռեժիմի մոդելը կանխատեսում է, որ երկրորդ գազի ավելացումը նվազեցնում է սորբցիան հաստատուն մասնակի ճնշման պայմաններում, ի տարբերություն մաքուր գազային սցենարների։

[դիտարկել գործողությունը]

PDF-ի ներբեռնում

Ես տեղեկություններ եմ հավաքում nature.com PDF-ից, հնարավոր է՝ Յամպոլսկու հին հոդվածից, բայց մտածում եմ այլընտրանքային աղբյուրների մասին, ինչպիսին է Տեխասի համալսարանի Օսթինում պահոցը՝ տեքստային հատվածի համար։

[դիտարկել գործողությունը]

Պահոցների ընտրանքների գնահատում

Ես հայտնաբերել եմ, որ UT պահոցի արդյունքը կարող է ճիշտ չցուցադրվել։ Դրա ներսում որոնելը անորոշ է։ Այլընտրանքորեն, արդյունք [3]-ը պարունակում է մի հատված, որը նկարագրում է երկռեժիմային խառնուրդի սորբցիայի մոդելը, բացատրում մրցակցային ազդեցությունները և դրա համապատասխանությունը փորձարարական տվյալների մոդելավորման համար։

[որոնել գործողությունը]

Ուշադրության կենտրոնացման ճշգրտում

Ես հարմարեցնում եմ իմ մոտեցումը, որպեսզի որոնումը նպատակաուղղված լինի ճիշտ համատեքստին։

[որոնել գործողությունը]

Սորբցիայի մոդելների ըմբռնումը

Ես մանրամասնում եմ մաքուր գազերի երկռեժիմային սորբցիայի մոդելը՝ Հենրիի լուծարումը և Լանգմյուրի միկրոդատարկությունների լցումը։ Խառը գազերի դեպքում շեշտը դրվում է մրցակցային սորբցիայի և ոչ իդեալականությունների վրա։

[որոնել գործողությունը]

hero.epa.gov կայքի ուսումնասիրում

Մտածելով hero.epa.gov-ի հնարավոր ամփոփագրի կամ բովանդակության մասին։

[դիտարկել գործողությունը]

Մոդելի բարելավում

Ես հավաքում եմ պատկերացումներ մաքուր և խառը գազերի սորբցիայի վերաբերյալ՝ հաշվի առնելով այնպիսի գործոններ, ինչպիսիք են մրցակցությունը, պլաստիկացումը և պարամետրերի կայունությունը։ Ավելի ճշգրիտ կանխատեսումների համար խառը գազերի տվյալների ներառում։

[դիտարկել գործողությունը]

Երկակի սորբցիայի մոդելի մարտահրավերների հաղթահարում

Պարամետրերի կապակցումը և ոչ եզակիությունը ազդում են կանխատեսումների վրա։ Պոլիմերի վիճակի փոփոխությունների բացակայությունը կարող է հանգեցնել վրիպումների։

[դիտարկել գործողությունը]

Շեղման քանակականացում

Ես քանակապես որոշում եմ CO2-CH4-ի ոչ իդեալական լուծելիությունը 6FDA-mPDA-ում, ցույց տալով խառը գազերի ազդեցությունը լուծելիության վրա։ Մրցակցային սորբցիան թափանցելիության ընտրողականության անկման միակ պատճառը չէ։

[դիտարկել գործողությունը]

Հղումների ներառումը

Ես հավաքում եմ մեջբերումներ՝ կենտրոնանալով բաց կոդով նյութերի վրա, ինչպիսիք են MDPI 2019-ը և Vopicka 2014-ը, որպեսզի աջակցեմ պոլիմերային թաղանթներում գազի սորբցիայի երկակի ռեժիմի մոդելի տարբերությունների և մարտահրավերների քննարկմանը:

[դիտարկել գործողությունը]

Առաջարկվող բաժիններ

Ես կազմակերպում եմ բաժիններ մաքուր և խառը գազերի սորբցիայի վերաբերյալ, ուսումնասիրում եմ երկռեժիմ սորբցիայի մոդելը և մանրամասնում եմ այնպիսի մարտահրավերներ, ինչպիսիք են պարամետրերի անորոշությունը և խառը գազերի կանխատեսումը։

Բովանդակության կազմակերպում

Ես կենտրոնանում եմ երկռեժիմային սորբցիայի մոդելի վրա՝ մանրամասնելով մաքուր և խառը գազերի սորբցիայի վարքագծերը և ընդգծելով հիմնական տարբերություններն ու մարտահրավերները՝ կետերով և կառուցվածքային բաժիններով՝ հստակության համար։

[որոնել գործողությունը]

Մեջբերումների ընտրություն

Լավ, թույլ տվեք տեսնել: Ես հենվում եմ [3], [20], [22] և [21]-ի վրա՝ երկռեժիմային սորբցիայի և գազային խառնուրդների վերաբերյալ նրանց հստակ պատկերացումների համար։

Պարամետրերի սահմանում

Ես պարամետրերի անունները միացնում եմ՝ շփոթությունից խուսափելու համար։ Պարզության համար մնում ենք (k), (C_H') և (b) կետերին։ Մաքուր գազի և խառնուրդի հավասարումները մանրամասն և հստակ ձևաչափված են։

Մարտահրավերների հաղթահարում

Ես զբաղվում եմ բազմալուծումային պարամետրերի համապատասխանեցմամբ, պոլիմերային պլաստիկացմամբ և ժամանակային ազդեցություններով: Այս բարդությունները դժվարացնում են մաքուր և խառը գազերի սորբցման կանխատեսումը։

Հավաքելով մասերը միասին

Ես կառուցում եմ բաժիններ սորբցիայի տարբերությունների, մաքուր գազերի երկռեժիմ մոդելի, դրա խառը գազերի վրա ընդլայնման և դրանց հետ կապված մարտահրավերների վերաբերյալ։ Այս առաջընթացը թվում է տրամաբանական և արդյունավետ։

Փորձագիտական մակարդակի առաջադրանքների անցման ցուցանիշը՝ ըստ գնահատված տնտեսական արժեքի

Փորձագետի մակարդակի առաջադրանքների անցման ցուցանիշը՝ ըստ գնահատված ժամերի

Առաջադրանքի գնահատված տնտեսական արժեքը ավելի շատ կապված է անցման մակարդակի հետ, քան այն ժամերի քանակի հետ, որոնք մարդուն կպահանջվեն։ Մոդելների համար դժվար համարվող բաները տարբերվում են այն բաներից, որոնք մարդիկ համարում են ժամանակատար։

Limitations

Deep research unlocks significant new capabilities, but it’s still early and has limitations. It can sometimes hallucinate facts in responses or make incorrect inferences, though at a notably lower rate than existing ChatGPT models, according to internal evaluations. It may struggle with distinguishing authoritative information from rumors, and currently shows weakness in confidence calibration, often failing to convey uncertainty accurately. At launch, there may be minor formatting errors in reports and citations, and tasks may take longer to kick off. We expect all these issues to quickly improve with more usage and time.

Access

Deep research in ChatGPT is currently very compute intensive. The longer it takes to research a query, the more inference compute is required. We are starting with a version optimized for Pro users today, with up to 100 queries per month. Plus and Team users will get access next, followed by Enterprise. We are still working on bringing access to users in the United Kingdom, Switzerland, and the European Economic Area.

All paid users will soon get significantly higher rate limits when we release a faster, more cost-effective version of deep research powered by a smaller model that still provides high quality results.

In the coming weeks and months, we’ll be working on the technical infrastructure, closely monitoring the current release, and conducting even more rigorous testing. This aligns with our principle of iterative deployment. If all safety checks continue to meet our release standards, we anticipate releasing deep research to Plus users in about a month.

Ի՞նչ է հաջորդը

Խորքային ուսումնասիրությունը հասանելի է այսօր ChatGPT կայքում, և այն կգործարկվի բջջային և աշխատասեղանի հավելվածներում ամսվա ընթացքում։ Ներկայումս խորքային ուսումնասիրությունը կարող է մուտք գործել բաց վեբ և ցանկացած վերբեռնված ֆայլ։ Ապագայում դուք կկարողանաք կապել ավելի մասնագիտացված տվյալների աղբյուրներին՝ ընդլայնելով դրանց հասանելիությունը բաժանորդագրության վրա հիմնված կամ ներքին ռեսուրսների համար, որպեսզի արդյունքը լինի ավելի ամուր և անհատականացված։

Ապագային նայելով՝ մենք պատկերացնում ենք, որ ագենտային փորձառությունները միավորվում են ChatGPT‑ում՝ ասինխրոն, իրական աշխարհի հետազոտությունների և իրականացման համար։ Խորքային ուսումնասիրության, որը կարող է իրականացնել ասինխրոն առցանց հետաքննություն, և Operator-ի, որը կարող է իրական աշխարհի գործողություններ ձեռնարկել, համադրությունը ChatGPT‑ին հնարավորություն կտա ձեզ համար կատարել ավելի ու ավելի բարդ առաջադրանքներ։

2025 թվականի փետրվարի 3-ի հավելված: Մենք խիստ անվտանգության փորձարկումներ, պատրաստվածության գնահատումներ և կառավարման ստուգումներ ենք անցկացրել o3‑ի վաղ տարբերակի վրա, որը խորքային ուսումնասիրություն է կատարում՝ այն գնահատելով որպես միջին⁠(բացվում է նոր պատուհանում) ռիսկ: Մենք նաև լրացուցիչ անվտանգության փորձարկումներ ենք անցկացրել՝ ավելի լավ հասկանալու համար խորքային ուսումնասիրության դիտարկելու ունակության հետ կապված աստիճանական ռիսկերը, և ավելացրել ենք նոր մեղմացումներ: Մենք կշարունակենք մանրակրկիտ փորձարկել և սերտորեն հետևել ընթացիկ սահմանափակ թողարկմանը: Մենք կկիսվենք մեր անվտանգության պատկերացումներով և երաշխիքներով համակարգային քարտում խորքային ուսումնասիրության համար, երբ ընդլայնենք հասանելիությունը Plus օգտատերերին:

Footnotes

1
We found that the ground-truth answers for this dataset were widely leaked online and have blocked several websites or URLs accordingly to ensure a fair evaluation of the model.

Authors

OpenAI

Research Leads

Isa Fulford, Zhiqing Sun

Foundational Contributors

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

Core Contributors

Research

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

Deployment

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

Contributors

Research

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

+ all the contributors to o3.

Safety Systems

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

Deployment

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

Leadership

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