2 Februari 2025

Memperkenalkan riset dalam

Agen yang menggunakan penalaran untuk menyintesis sejumlah besar informasi online dan menyelesaikan tugas riset multi-langkah untuk Anda. Tersedia bagi pengguna Pro hari ini, selanjutnya pengguna Plus dan Team.

Coba di ChatGPT

Memuat…

Pembaruan 10 Februari 2026: Sekarang Anda dapat menghubungkan riset mendalam ke MCP atau aplikasi apa pun dan membatasi pencarian web ke situs tepercaya, sehingga Anda dapat berfokus pada sumber yang terautentikasi dan berstandar industri. Anda juga kini dapat melacak kemajuan secara real-time dan menghentikan untuk menyempurnakan dengan prompt tindak lanjut atau sumber baru. Kami telah memperbarui pengalaman visual sehingga lebih mudah untuk memulai, melacak, dan meninjau riset Anda dari awal hingga akhir.

Pembaruan 17 Juli 2025: Riset mendalam kini dapat dilakukan lebih dalam dan lebih luas dengan akses ke browser visual sebagai bagian dari agen ChatGPT. Untuk mengakses kemampuan yang diperbarui ini, cukup pilih “mode agen” dari menu tarik-turun di komposer dan masukkan kueri Anda secara langsung. Fungsionalitas riset mendalam asli tetap tersedia melalui opsi “riset mendalam” di menu alat.

Pembaruan 24 April 2025: Kami secara signifikan meningkatkan batas frekuensi penggunaan riset mendalam Anda—Pengguna Plus, Team, Enterprise, dan Edu sekarang mendapatkan 25 kueri per bulan, pengguna Pro mendapatkan 250 kueri, dan pengguna Gratis mendapatkan 5 kueri. Hal ini dimungkinkan melalui versi ringan baru dari riset mendalam yang didukung oleh versi o4-mini, yang dirancang untuk lebih efisien secara biaya sambil tetap menjaga kualitas tinggi. Setelah Anda mencapai batas untuk versi lengkap, kueri Anda akan otomatis beralih ke versi ringan.

Pembaruan 25 Februari 2025: Semua pengguna Plus sekarang dapat menggunakan riset mendalam.

Pembaruan 5 Februari 2025: Riset mendalam sekarang tersedia untuk pengguna Pro di Britania Raya, Swiss, dan Wilayah Ekonomi Eropa.

Hari ini, kami meluncurkan riset dalam di ChatGPT, kemampuan agen baru yang melakukan riset multi-langkah di internet untuk tugas yang rumit. ini dapat menyelesaikan dalam hitungan menit apa yang membutuhkan waktu berjam-jam bagi manusia.

Riset dalam adalah agen OpenAI selanjutnya yang dapat melakukan pekerjaan untuk Anda secara mandiri—Anda memberi prompt, dan ChatGPT akan menemukan, menganalisis, serta menyintesis ratusan sumber online untuk membuat laporan menyeluruh dengan level analis riset. Didukung oleh versi model OpenAI o3 yang akan datang yang dioptimalkan untuk penelusuran web dan analisis data, sistem ini memanfaatkan kemampuan penalaran untuk mencari, memahami, dan menganalisis jumlah besar teks, gambar, dan PDF di internet, serta beradaptasi secara dinamis sesuai dengan informasi yang ditemui.

Kemampuan untuk menyintesis pengetahuan merupakan prasyarat untuk membuat pengetahuan baru. Oleh karena itu, riset dalam menandai langkah penting menuju tujuan kami yang lebih luas dalam mengembangkan AGI, yang telah lama kami impikan sebagai kemampuan untuk menghasilkan penelitian ilmiah yang inovatif.

Alasan kami membuat riset dalam

Riset dalam dibuat bagi orang yang melakukan kerja pengetahuan intensif di bidang seperti keuangan, sains, kebijakan, dan rekayasa serta membutuhkan riset menyeluruh, tepat, dan dapat diandalkan. Ini juga dapat bermanfaat bagi pembeli cerdas yang mencari rekomendasi yang sangat dipersonalisasi pada pembelian yang biasanya perlu riset cermat, seperti mobil, peralatan, dan perabotan. Setiap keluaran didokumentasikan sepenuhnya, dengan kutipan yang jelas dan ringkasan pemikiran, sehingga memudahkan referensi dan verifikasi informasi. Ini sangat efektif untuk menemukan informasi khusus dan non-intuitif sehingga akan perlu menjelajah banyak situs web. Riset dalam membebaskan waktu berharga dengan memungkinkan Anda mendelegasikan dan mempercepat riset web yang kompleks dan memakan waktu hanya dengan satu pertanyaan.

Riset dalam secara independen menemukan, menalar, dan mengintegrasikan wawasan dari berbagai sumber di internet. Untuk mencapai ini, riset dalam dilatih pada tugas dunia nyata yang memerlukan penggunaan browser dan alat bantu Python, menggunakan metode pembelajaran penguatan yang sama di belakang OpenAI o1, model penalaran pertama kami. Sementara o1 menunjukkan kemampuan mengesankan dalam koding, matematika, dan domain teknis lainnya, banyak tantangan dunia nyata menuntut konteks dan mengumpulkan informasi yang luas dari berbagai sumber online. Riset dalam dibangun atas kemampuan penalaran untuk menjembatani kesenjangan tersebut, sehingga dapat mengatasi tipe masalah yang dihadapi orang dalam pekerjaan dan kehidupan sehari-hari.

Cara menggunakan riset dalam

Di ChatGPT, pilih ‘riset dalam’ di pembuat pesan dan masukkan kueri Anda. Beri tahu ChatGPT tentang hal yang Anda butuhkan—baik analisis kompetitif pada platform streaming maupun laporan yang dipersonalisasi tentang sepeda komuter terbaik. Anda dapat melampirkan file atau spreadsheet untuk menambahkan konteks pada pertanyaan Anda. Setelah mulai berjalan, sidebar akan muncul, yang terdiri atas ringkasan langkah yang diambil dan sumber yang digunakan.

Riset dalam dapat perlu waktu sekitar 5 hingga 30 menit untuk menyelesaikan pekerjaan, sehingga dibutuhkan waktu untuk mendalami web. Sementara itu, Anda dapat berhenti sejenak atau mengerjakan tugas lain—Anda akan mendapatkan pemberitahuan setelah riset selesai. Keluaran akhir akan muncul sebagai laporan dalam obrolan–dalam beberapa minggu ke depan, kami juga akan menambahkan gambar tersemat, visualisasi data, dan keluaran analitik lain dalam laporan ini untuk kejelasan dan konteks tambahan.

Dibandingkan dengan riset dalam, GPT‑4o ideal untuk percakapan multimodal secara real-time. Untuk pertanyaan dengan banyak aspek dan domain tertentu di mana kedalaman dan detail sangat penting, kemampuan riset dalam untuk melakukan eksplorasi ekstensif dan mengutip setiap klaim merupakan perbedaan antara ringkasan cepat dan jawaban yang terdokumentasi dengan baik dan terverifikasi sehingga dapat digunakan sebagai produk kerja.

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.

Riset dalam

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.

Riset dalam menanggapi prompt dengan cara yang sangat terperinci, menyediakan data khusus negara secara berdampingan untuk 10 negara maju teratas dan 10 negara berkembang teratas untuk referensi dan perbandingan yang mudah. Riset dalam menggunakan informasi tersebut untuk menawarkan rekomendasi masuk pasar yang terperinci, informatif, dan dapat digunakan.

Cara kerjanya

Riset dalam dilatih menggunakan pembelajaran penguatan menyeluruh pada tugas penjelajahan dan penalaran yang sulit di berbagai domain. Melalui pelatihan itu, riset dalam belajar merencanakan dan menjalankan lintasan multi-langkah untuk menemukan data yang dibutuhkan, menelusuri kembali dan bereaksi terhadap informasi secara real-time apabila diperlukan. Model ini juga mampu menjelajahi file yang diunggah pengguna, merencanakan dan melakukan iterasi pada grafik menggunakan alat bantu python, menyematkan grafik dan gambar yang dihasilkan dari situs web dalam responsnya, dan mengutip kalimat atau bagian tertentu dari sumbernya. Sebagai hasil dari pelatihan, riset dalam mencapai titik tertinggi baru dalam sejumlah evaluasi publik yang berfokus pada masalah dunia nyata.

Ujian Terakhir Kemanusiaan

Pada Ujian Terakhir Kemanusiaan⁠(terbuka di jendela baru), evaluasi yang baru-baru ini dirilis yang menguji AI di berbagai subjek tentang pertanyaan level pakar, model yang mendukung riset dalam memperoleh skor tertinggi baru dengan keakuratan 26,6%. Tes ini terdiri atas lebih dari 3.000 pertanyaan pilihan ganda dan jawaban singkat di lebih dari 100 subjek, mulai dari linguistik hingga ilmu roket, klasik hingga ekologi. Dibandingkan dengan OpenAI o1, peningkatan terbesar muncul dalam ilmu kimia, humaniora dan sosial, serta matematika. Model yang mendukung riset dalam menunjukkan pendekatan mirip manusia dengan mencari informasi khusus secara efektif saat diperlukan.

Model	Akurasi (%)
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 (sedang)*	10,5
OpenAI o3-mini (tinggi)*	13,0
Riset dalam OpenAI**	26,6

* Modelnya tidak multimodal, dievaluasi pada subset teks saja.

**dengan alat penjelajahan + python

GAIA

Pada GAIA⁠(terbuka di jendela baru)¹, tolok ukur publik yang mengevaluasi AI pada pertanyaan dunia nyata, model yang mendukung riset dalam mencapai tingkat keunggulan baru (SOTA), menduduki puncak papan peringkat⁠(terbuka di jendela baru) eksternal. Meliputi pertanyaan di tiga level kesulitan, penyelesaian tugas ini secara sukses perlu kemampuan termasuk penalaran, kefasihan multimodal, penjelajahan web, dan kemahiran penggunaan alat bantu.

GAIA
	Level 1	Level 2	Level 3	Rerata
SOTA Sebelumnya(terbuka di jendela baru)	67,92	67,44	42,31	63,64
Riset Dalam (pass@1)	74,29	69,06	47,6	67,36
Riset Dalam (cons@64)	78,66	73,21	58,03	72,57

Contoh tugas 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.]

Memperjelas pencarian

Saya sedang menyatukan permintaan artikel dari tahun 2012 dalam Laporan Ilmiah yang memperinci senyawa nano, tidak termasuk yang terkait dengan plasmonik. Kemungkinan, ini melibatkan melakukan filter topik atau senyawa tertentu, seperti perak atau grafena.

Menyatukan detail

Saya sedang melakukan pencarian sub-kata "Scientific Reports 2012 nanoparticle", kemungkinan mencari senyawa nano. Tertarik melakukan filter pada topik terkait plasmon, yang mungkin berfokus pada perak, grafena, atau titik kuantum.

[tindakan pencarian]

Menavigasi filter pencarian

Saya sedang menyelidiki filter pencarian lanjutan di nature.com dan Laporan Ilmiah untuk tahun 2012, yang mencoba menentukan artikel tentang nanopartikel karbon tidak terbentuk dalam karamel makanan.

Mengidentifikasi prosiding konferensi

Hasil pencarian mengungkapkan prosiding konferensi berjudul "2D quasiperiodic plasmonic crystals" dari tahun 2012, yang kemungkinan ditemukan pada kategori "Conference Proceedings" dalam Laporan Ilmiah.

[tindakan penjelajahan]

Merefleksikan potensi masalah

Saya sedang mempertimbangkan nalar di balik kesalahpahaman halaman web, mungkin karena tipe agen yang ketinggalan zaman atau pemblokiran yang tidak disengaja.

[tindakan penjelajahan]

Mempertimbangkan opsi dinamis

Saya sedang memikirkan tentang situs alam dengan konten dinamis atau versi yang di-cache. Atau, mencoba pencarian frasa tertentu mungkin dapat membantu.

[tindakan pencarian]

Menentukan fitur utama

Baik, saya sedang mengidentifikasi empat prosiding konferensi dari tahun 2012 di Laporan Ilmiah. Terutama, beberapa prosiding menyebutkan "plasmonic" dan harus dikecualikan.

[tindakan penjelajahan]

Menyatukan wawasan

Saya sedang mengumpulkan info tentang mengakses versi cache atau perluasan cuplikan untuk judul tertentu guna memastikan analisis secara menyeluruh.

[tindakan pencarian]

Menyusun detail

Saya sedang mencatat perkembangan dari Rapat Musim Semi Komunitas Riset Bahan Eropa Tahun 2012 ke laporan ilmiah, yang berfokus pada prosiding konferensi. Pendekatan ini membantu membangun konteks dan relevansi.

[tindakan pencarian]

Melacak petunjuk jurnal

Mencoba untuk menghubungkan prosiding konferensi dari akhir tahun 2012 dengan jurnal "Laporan Ilmiah", yang berfokus pada bahan kuasiperiodik 2D plasmonik. Pendekatan ini tampak bersifat metodis dan tepat.

[tindakan pencarian]

Menganalisis detail kejadian

Mencatat bahwa hasil pencarian [8] menyertakan halaman yang mungkin merangkum Rapat Musim Semi Komunitas Riset Bahan Eropa Tahun 2012, termasuk 25 simposium.

[tindakan penjelajahan]

Menyatukan riset

Saya sedang meneliti halaman koleksi yang mungkin terdiri atas 4 artikel, mempertimbangkan topik plasmonik dan metamaterial, serta mengidentifikasi referensi utama dari Rapat Musim Semi Komunitas Riset Bahan Eropa Tahun 2012.

[tindakan penjelajahan]

Menentukan fokus

Saya sedang berfokus pada prosiding konferensi tahun 2012 dalam "Laporan Ilmiah" dari E-MRS, yang mungkin melibatkan topik seperti "2D quasiperiodic plasmonic crystals" dan "Layered plasmonic cloaks to tailor the optical scattering at the nanoscale".

[tindakan penjelajahan]

Mengevaluasi sumber perpustakaan

Memikirkan tentang edisi khusus Laporan Ilmiah E-MRS tahun 2012, makalah undangan laboratorium Monticone dan metamaterial di Arsip Berita – 2012.

[tindakan penjelajahan]

Menilai aksesibilitas

Saya sedang mengumpulkan info tentang potensi masalah akses situs, dengan mempertimbangkan status yang ketinggalan zaman atau pemblokiran. Selain itu, mengevaluasi situs Monticone untuk referensi daftar.

[tindakan penjelajahan]

Menyatukan E-MRS 2012

Saya sedang mencoba menautkan "Layered Plasmonic Cloaks" ke E-MRS 2012. Mempertimbangkan topik lain yang mungkin seperti grafena dan katalisis.

[tindakan penjelajahan]

Mengidentifikasi topik yang relevan

Saya sedang mengumpulkan info tentang topik seperti grafena, fotovoltaik, dan senyawa berstruktur nano, sekaligus mengecualikan yang terkait dengan plasmonik. Ini membuat saya fokus pada aspek nanoteknologi secara lebih luas.

[tindakan penjelajahan]

Menyesuaikan fokus saya

Saya sedang memperluas parameter pencarian dengan memasukkan pengenal situs dan akademisi tertentu untuk menentukan artikel tentang kristal plasmonik kuasiperiodik 2D di Laporan Ilmiah Alam dari tahun 2012.

[tindakan pencarian]

Mengidentifikasi kemungkinan non-plasmonik

Saya sedang mempersempit pencarian untuk mengidentifikasi artikel dari edisi khusus E-MRS 2012 di Laporan Ilmiah. Ini melibatkan memeriksa judul untuk topik non-plasmonik, seperti grafena atau oksida fungsional. Kemajuan terlihat melalui pencarian yang terfokus dan pengecualian artikel-artikel plasmonik.

[tindakan pencarian]

Menyatukan petunjuk

Saya sedang menganalisis interaksi dalam kisi super grafena, mungkin dari artikel Laporan Ilmiah. Mempertimbangkan judul berdasarkan penulis seperti Padooru, Yakovlev, Chen, dan Alu.

[tindakan pencarian]

Menyatukan teka-teki

Saya sedang mengumpulkan info tentang prosiding Laporan Ilmiah Rapat Musim Semi E-MRS 2012, yang berfokus pada makalah undangan, tanpa fenomena plasmonik. Tipe yang ditinjau adalah grafena, katalisis, bahan energi, pengobatan nano, dan sensor.

[tindakan pencarian]

Tugas Level Pakar

Dalam evaluasi internal tugas level pakar di berbagai bidang, riset dalam dinilai oleh pakar domain telah mengautomasi beberapa jam penyelidikan manual yang sulit.

Nilai kelulusan dibandingkan Panggilan Alat Maks.

Makin sering model menjelajahi dan berpikir tentang apa yang dijelajahinya akan makin baik, karena alasan inilah memberi waktu untuk berpikir adalah penting.

Contoh tugas level pakar

Waktu yang dihemat untuk tugas: 4 jam

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.

Memahami model penyerapan

Saya sedang mengumpulkan info tentang penyerapan gas murni dan campuran dalam polimer kaca, yang berfokus pada model penyerapan mode ganda dan mengatasi tantangan dalam prediksi pemodelan.

[tindakan pencarian]

Menilai akses terbuka

Baik, coba saya lihat. Hasil dari MDPI pada penyerapan gas campuran dalam polimer kaca kemungkinan berupa akses terbuka.

[tindakan penjelajahan]

Meneliti bagian
Saya sedang mengumpulkan wawasan dari Model Penyerapan Mode Ganda dan analisis lanjutannya dalam makalah MDPI.

[tindakan penjelajahan]

Memperjelas properti utama

Saya sedang meneliti laporan lab untuk memahami konstanta hukum Henry, konstanta afinitas Langmuir, dan konstanta kapasitas Langmuir, yang menjelaskan penyerapan gas.

[tindakan penjelajahan]

Menyatukan

Saya sedang bekerja melalui kemungkinan bahwa "Equation (3)" dan "Equation (4)" dapat berupa gambar atau tampilan rumus dan mempertimbangkan untuk meninjau PDF atau melakukan pencarian referensi sebelumnya untuk memahaminya lebih baik.

[tindakan penjelajahan]

Mengonfirmasi relevansi judul

Saya sedang memverifikasi apakah dokumen dari Freeman dan Koros (1980) secara khusus cocok dengan referensi "Model for sorption of mixed gases in glassy polymers" dengan memeriksa abstrak dan judul.

[tindakan pencarian]

Meneliti koneksi artikel

Saya memperhatikan bahwa hasil dari "pmc.ncbi.nlm.nih.gov" kemungkinan berupa artikel MDPI yang sama, dan saya sedang penasaran untuk melihat apakah artikel tersebut menyajikan teks atau versi yang disederhanakan.

[tindakan penjelajahan]

Mengumpulkan info

Saya sedang mengumpulkan informasi tentang penyerapan gas murni dan campuran dalam polimer kaca. Ini adalah langkah sangat penting dalam memahami perilaku bahan dalam lingkungan gas yang berbeda.

[tindakan pencarian]

Membandingkan penyerapan gas

Saya memperhatikan bahwa keberadaan karbon dioksida dalam campuran memengaruhi penyerapan metana dalam polimer, mengurangi penyerapan metana dibandingkan skenario gas murni.

[tindakan penjelajahan]

Menautkan konsep

Saya sedang memikirkan cara istilah "campuran persamaan mode ganda lanjutan" dapat berkaitan dengan persamaan kabel superkonduktor mode ganda. Ini menunjukkan potensi untuk menghubungkan konsep lintas bidang.

[tindakan pencarian]

Meminta detail tinjauan

Saya sedang mencatat permintaan untuk meninjau "Theories of Sorption and Transport in Polymer Membrane",

[tindakan penjelajahan]

Memeriksa tautan PDF

Saya sedang penasaran dengan Hasil [2] dan menjelajahi cuplikan, sehingga melibatkan perluasan model penyerapan mode ganda ke campuran biner dan menyatakan konsentrasi A dalam bentuk sebagian tekanan dan konstanta.

[tindakan pencarian]

Memprediksi perilaku penyerapan

Model mode ganda mengantisipasi bahwa menambahkan gas kedua mengurangi penyerapan pada sebagian tekanan konstanta, tidak seperti skenario gas murni.

[tindakan penjelajahan]

Mengambil PDF

Saya sedang mengumpulkan info pada PDF nature.com, mungkin artikel Yampol'ski yang lebih lama, tetapi memikirkan tentang sumber alternatif seperti repositori Universitas Texas di Austin untuk cuplikan teks.

[tindakan penjelajahan]

Mengevaluasi opsi repositori

Saya telah menemukan bahwa hasil repositori UT mungkin tidak ditampilkan dengan benar. Melakukan pencarian di dalamnya kemungkinan tidak bisa dilakukan. Atau, hasil [3] terdiri atas cuplikan yang menggambarkan model penyerapan campuran mode ganda, menjelaskan efek kompetitif dan kecukupannya dalam data eksperimen pemodelan.

[tindakan pencarian]

Menyempurnakan fokus

Saya sedang menyesuaikan pendekatan saya untuk memastikan pencarian menargetkan konteks yang tepat.

[tindakan pencarian]

Memahami model penyerapan

Saya sedang memperinci model penyerapan mode ganda untuk gas murni: Pelarutan Henry dan pengisian rongga mikro Langmuir. Untuk gas campuran, penyerapan kompetitif dan non-idealitas ditekankan.

[tindakan pencarian]

Menjelajahi hero.epa.gov

Memikirkan potensi abstrak atau konten hero.epa.gov.

[tindakan penjelajahan]

Menyempurnakan model

Saya sedang mengumpulkan wawasan tentang penyerapan gas murni dan campuran, sehingga mempertimbangkan faktor-faktor seperti kompetisi, plastisisasi, dan stabilitas parameter. Menggabungkan data gas campuran untuk prediksi yang lebih akurat.

[tindakan penjelajahan]

Mengatasi tantangan model penyerapan ganda

Prediksi dampak penggabungan parameter dan non-keunikan. Tidak adanya perubahan kondisi polimer dapat menyebabkan kelalaian.

[tindakan penjelajahan]

Mengukur penyimpangan

Saya sedang mengukur kelarutan CO2-CH4 nonideal dalam 6FDA-mPDA, sehingga menunjukkan efek gas campuran pada kelarutan. Penyerapan kompetitif bukan satu-satunya penyebab penurunan selektivitas permeabilitas.

[tindakan penjelajahan]

Menggabungkan referensi

Saya sedang mengumpulkan kutipan, yang berfokus pada bahan sumber terbuka seperti MDPI tahun 2019 dan Vopicka tahun 2014, untuk mendukung pembahasan perbedaan dan tantangan dalam model mode ganda untuk penyerapan gas dalam membran polimer.

[tindakan penjelajahan]

Mengusulkan bagian

Saya sedang mengatur bagian-bagian tentang penyerapan gas murni versus campuran, menjelajahi model penyerapan mode ganda, dan memperinci tantangan seperti ketidakpastian parameter dan prediksi gas campuran.

Mengatur konten

Saya sedang berfokus pada model penyerapan mode ganda, merinci perilaku penyerapan gas murni dan campuran, serta menyoroti perbedaan dan tantangan utama dengan poin utama dan bagian terstruktur demi kejelasan.

[tindakan pencarian]

Memilih kutipan

Baik, coba saya lihat. Saya bersandar pada [3], [20], [22], dan [21] untuk mengetahui wawasan mereka yang jelas tentang penyerapan mode ganda dan campuran gas.

Memetakan parameter

Saya sedang menyatukan nama parameter untuk menghindari kebingungan. Tetap menggunakan (k), (C_H'), dan (b) demi kejelasan. Persamaan untuk gas murni dan campuran diperinci serta diformat dengan jelas.

Mengatasi tantangan

Saya sedang menangani kecocokan parameter multi-solusi, plastisisasi polimer, dan efek temporal. Kerumitan ini membuat memprediksi penyerapan gas murni dan campuran menjadi rumit.

Menyatukan

Saya sedang menyusun bagian-bagian tentang perbedaan penyerapan, model mode ganda untuk gas murni, perluasannya ke gas campuran, dan tantangan terkait. Perkembangan ini tampaknya logis dan efektif.

Nilai Kelulusan pada Tugas Level Pakar berdasarkan Estimasi Nilai Ekonomi

Nilai Kelulusan pada Tugas Level Pakar berdasarkan Estimasi Jam

Estimasi Nilai Ekonomi suatu tugas lebih berkorelasi dengan nilai kelulusan dibandingkan jumlah jam yang diperlukan oleh manusia–sesuatu yang sulit bagi model tidak sama dengan sesuatu yang dianggap memakan waktu oleh manusia.

Keterbatasan

Riset dalam mengungkap kemampuan baru yang signifikan, tetapi masih dalam tahap awal dan memiliki keterbatasan. Kadang-kadang, model ini dapat menghasilkan halusinasi fakta dalam respons atau membuat kesimpulan yang salah, meskipun dengan tingkat yang jauh lebih rendah dibandingkan dengan model ChatGPT yang ada, menurut evaluasi internal. Riset dalam dapat mengalami kesulitan membedakan informasi yang dapat dipercaya dari rumor, dan saat ini menunjukkan kelemahan dalam kalibrasi keyakinan, sehingga sering kali gagal menyampaikan ketidakpastian secara akurat. Saat peluncuran, mungkin ada kesalahan pembuatan format kecil dalam laporan dan kutipan, serta tugas dapat memerlukan waktu lebih lama untuk dimulai. Kami berharap semua masalah ini akan segera membaik seiring penggunaan dan waktu yang lebih lama.

Akses

Riset dalam pada ChatGPT saat ini memerlukan komputasi yang sangat intensif. Makin lama waktu yang dibutuhkan untuk melakukan riset pada kueri, makin banyak komputasi inferensi yang diperlukan. Kami memulai dengan versi yang dioptimalkan untuk pengguna Pro hari ini, dengan hingga 100 kueri per bulan. Pengguna Plus dan Team akan mendapatkan akses selanjutnya, diikuti oleh Enterprise. Kami masih berupaya menyediakan akses bagi pengguna di Kerajaan Inggris, Swiss, dan Wilayah Ekonomi Eropa.

Semua pengguna berbayar akan segera mendapatkan batasan kecepatan yang jauh lebih tinggi saat kami merilis versi riset dalam yang lebih cepat dan lebih hemat biaya yang didukung oleh model lebih kecil yang tetap memberikan hasil berkualitas tinggi.

Dalam waktu beberapa minggu dan bulan mendatang, kami akan mengerjakan infrastruktur teknis, memantau rilis terkini secara ketat, dan melakukan pengujian yang bahkan lebih ketat. Ini sejalan dengan prinsip penerapan iteratif kami. Jika semua pemeriksaan keamanan terus memenuhi standar rilis kami, kami memperkirakan akan merilis riset dalam kepada pengguna Plus dalam waktu sekitar satu bulan.

Selanjutnya

Riset dalam tersedia hari ini di web ChatGPT, dan akan diluncurkan ke aplikasi seluler dan desktop dalam bulan ini. Saat ini, riset dalam dapat mengakses web terbuka dan semua file yang diunggah. Di masa mendatang, Anda akan mampu terhubung ke sumber data yang lebih terspesialisasi—memperluas akses ke sumber daya berbasis langganan atau internal—untuk membuat keluaran lebih tangguh dan lebih dipersonalisasi.

Ke depan, kami membayangkan pengalaman agen yang hadir bersama di ChatGPT untuk riset dan eksekusi dunia nyata yang tidak sinkron. Kombinasi riset dalam, yang dapat melakukan investigasi online tidak sinkron, dan Operator, yang dapat mengambil tindakan di dunia nyata, akan memungkinkan ChatGPT untuk menjalankan tugas yang makin canggih untuk Anda.

Adendum tanggal 3 Februari 2025: Kami melaksanakan pengujian keselamatan yang ketat, evaluasi kesiapan, dan tinjauan tata kelola pada versi awal o3 yang mendukung riset dalam, dan mengidentifikasinya sebagai risiko Menengah⁠(terbuka di jendela baru). Kami juga menjalankan pengujian keselamatan tambahan untuk lebih memahami risiko tambahan terkait kemampuan riset dalam untuk menjelajahi web, dan kami telah menambahkan mitigasi baru. Kami akan terus menguji secara menyeluruh dan memantau secara cermat rilis terbatas saat ini. Kami akan membagikan wawasan keselamatan dan perlindungan untuk riset dalam pada kartu sistem saat kami memperluas akses ke pengguna Plus.

Catatan kaki

1
Kami menemukan bahwa jawaban yang benar untuk kumpulan data ini banyak bocor secara online dan telah memblokir beberapa situs web atau URL untuk memastikan evaluasi model yang adil.

Penulis

OpenAI

Para Pemimpin Riset

Isa Fulford, Zhiqing Sun

Kontributor Dasar

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

Kontributor Inti

Riset

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

Penerapan

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

Kontributor

Riset

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

+ semua kontributor untuk o3.

Sistem Keselamatan

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

Penerapan

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

Kepemimpinan

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