२ फेब्रुवारी, २०२५

सादर करत आहोत सखोल संशोधन

तर्कशक्तीचा वापर करून मोठ्या प्रमाणात ऑनलाइन माहिती एकत्रित करणारा आणि तुमच्यासाठी बहु-चरणीय संशोधन कामे पूर्ण करणारा एजंट. आज Pro वापरकर्त्यांसाठी उपलब्ध, Plus आणि Team next.

ChatGPT वर वापरून पाहा

लोड होत आहे...

फेब्रुवारी 10, 2026 रोजीचे अद्यतन: आता तुम्ही डीप रिसर्चला कोणत्याही MCP किंवा अ‍ॅपशी जोडू शकता आणि वेब शोधांना विश्वासार्ह साइट्सपुरते मर्यादित करू शकता, त्यामुळे तुम्ही प्रमाणीकरण केलेल्या, उद्योग-मानक स्रोतांवर लक्ष केंद्रित करू शकता. तुम्ही आता रिअल-टाइममध्ये प्रगतीचा मागोवा घेऊ शकता आणि प्रॉम्प्ट्स किंवा नवीन स्रोतांसह अधिक परिष्कृत करण्यासाठी मध्येच व्यत्यय आणू शकता. आम्ही व्हिज्युअल अनुभव अद्यतनित केला आहे, त्यामुळे सुरुवात करणे, प्रगतीचा मागोवा घेणे, आणि सुरुवातीपासून शेवटपर्यंत तुमचे संशोधन पुनरावलोकन करणे अधिक सोपे झाले आहे.

17 जुलै 2025 अद्यतन: ChatGPT एजंटचा भाग म्हणून ब्राउझरच्या प्रवेशासह सखोल संशोधन आता अधिक खोलवर आणि व्यापक होऊ शकते. या अद्यतनित क्षमतांमध्ये प्रवेश करण्यासाठी, कंपोझरमधील ड्रॉपडाउनमधून फक्त “एजंट मोड” निवडा आणि आपली क्वेरी थेट प्रविष्ट करा. मूळ सखोल संशोधन कार्यक्षमता टूल्स मेनूमधील “सखोल संशोधन” पर्यायाद्वारे उपलब्ध आहे.

एप्रिल 24, 2025 अद्यतन: आम्ही सखोल संशोधनाचा वापर किती वेळा करू शकता हे लक्षणीय वाढवत आहोत—Plus, Team, Enterprise, आणि Edu वापरकर्त्यांना आता दरमहा 25 क्वेरी मिळतील, Pro वापरकर्त्यांना 250, आणि Free वापरकर्त्यांना 5 मिळतील. हे o4-मिनीच्या आवृत्तीद्वारे समर्थित सखोल संशोधनाच्या नवीन हलक्या आवृत्तीद्वारे शक्य झाले आहे, जे उच्च गुणवत्तेचे संरक्षण करताना अधिक खर्च-कार्यक्षम होण्यासाठी डिझाइन केलेले आहे. एकदा आपण पूर्ण आवृत्तीसाठी तुमच्या मर्यादेपर्यंत पोहोचल्यानंतर, आपले प्रश्न स्वयंचलितपणे हलक्या आवृत्तीवर स्विच होतील.

फेब्रुवारी 25, 2025 अद्यतन: सर्व Plus वापरकर्ते आता सखोल संशोधन वापरू शकतात.

फेब्रुवारी 5, 2025 अद्यतन:सखोल संशोधन आता युनायटेड किंगडम, स्वित्झर्लंड आणि युरोपियन आर्थिक क्षेत्रातील Pro वापरकर्त्यांसाठी उपलब्ध आहे.

आज आम्ही ChatGPT मध्ये सखोल संशोधन लॉन्च करत आहोत, एक नवीन एजंटिक क्षमता जी इंटरनेटवर मल्टि-स्टेप संशोधन करून क्लिष्ट काम पूर्ण करते. हे काही मिनिटांत पूर्ण करते जे मानवाला अनेक तास लागतील.

सखोल संशोधन हा OpenAI चा पुढचा एजंट आहे जो स्वतंत्रपणे तुमच्यासाठी काम करू शकतो—तुम्ही प्रॉम्प्ट द्या, आणि ChatGPT शेकडो ऑनलाइन स्त्रोत शोधून, विश्लेषण करून, संश्लेषित करून संशोधन ॲनालिस्टच्या स्तरावर सविस्तर अहवाल तयार करेल. वेब ब्राउझिंग आणि डेटा ॲनालिसिससाठी ऑप्टिमाइझ केलेल्या येणाऱ्या OpenAI o3 मॉडेलच्या एका व्हर्जनवर चालणारे, हे तर्कशक्ती वापरून इंटरनेटवरील मोठ्या प्रमाणातील टेक्स्ट,प्रतिमा, आणि PDFs शोधते, समजते आणि विश्लेषण करते, तसेच आवश्यकतेनुसार मिळालेल्या माहितीनुसार पिव्हॉट करते.

ज्ञान सिंथेसाइज करण्याची क्षमता नवीन ज्ञान तयार करण्यासाठी आवश्यक आहे. या कारणासाठी, सखोल संशोधन हे AGI विकसित करण्याच्या आमच्या व्यापक उद्देशाकडे महत्त्वाचे पाऊल आहे, ज्याला आम्ही लांब काळापासून नवीन वैज्ञानिक संशोधन तयार करण्यास सक्षम म्हणून पाहत आलो आहोत.

आम्ही deep research का तयार केले

Deep research असे लोकांसाठी तयार केले आहे जे फायनान्स, सायन्स, पॉलिसी, आणि इंजिनिअरिंगसारख्या क्षेत्रांमध्ये गहन ज्ञान काम करतात आणि त्यांना सखोल, अचूक, आणि विश्वासार्ह रिसर्च आवश्यक आहे. हे सावध शॉपर्ससाठीही उपयुक्त आहे जे कार, अप्लायन्सेस, फर्निचरसारख्या खरेदीसाठी हायपर-पर्सनलायझ्ड शिफारसी शोधत असतात, ज्या सहसा काळजीपूर्वक रिसर्चची मागणी करतात. प्रत्येक आउटपुट पूर्णपणे डोक्युमेंटेड आहे, स्पष्ट सिटेशन्स आणि त्याच्या विचारांचा सारांशासह, ज्यामुळे माहिती संदर्भित करणे आणि पडताळणी करणे सोपे होते. हे विशेषतः विशिष्ट, नॉन-इंट्युटिव्ह माहिती शोधण्यात प्रभावी आहे, ज्यासाठी अनेक वेबसाइट्स ब्राउझ करणे आवश्यक आहे. Deep research मौल्यवान वेळ वाचवते कारण तुम्ही फक्त एक क्वेरी वापरून क्लिष्ट, वेळखाऊ वेब रिसर्च ऑफलोड आणि जलद करू शकता.

Deep research स्वतंत्रपणे वेबवरून माहिती शोधते, रीझनिंग करते, आणि संपूर्ण वेबमधील इनसाइट्स एकत्र करते. हे साध्य करण्यासाठी, याला रिअल-वर्ल्ड टास्कवर प्रशिक्षित केले गेले जे ब्राउझर आणि Python टूल्स वापरण्याची मागणी करतात, OpenAI o1, आमच्या पहिल्या रीझनिंग मॉडेलच्या रिइन्फोर्समेंट लर्निंग पद्धतींचा वापर करून. जरी o1 कोडिंग, गणित आणि इतर तांत्रिक क्षेत्रांमध्ये प्रभावी क्षमता दाखवते, अनेक रिअल-वर्ल्ड आव्हानांना विविध ऑनलाइन स्त्रोतांकडून विस्तृत संदर्भ आणि माहिती गोळा करण्याची गरज असते. Deep research या रीझनिंग क्षमतांवर आधारित आहे जेणेकरून ती त्या अंतराची पूर्तता करू शकेल आणि काम आणि रोजच्या जीवनात लोक जे प्रकारचे प्रश्न सोडवतात ते हाताळू शकेल.

Deep research कसे वापरायचे

ChatGPT मध्ये, मेसेज कॉम्पोजरमध्ये ‘deep research’ निवडा आणि आपली क्वेरी टाका. ChatGPT ला सांगा तुम्हाला काय हवे आहे—हे स्ट्रिमिंग प्लॅटफॉर्मवर स्पर्धात्मक विश्लेषण असो किंवा सर्वोत्तम कम्यूटर बाइकवरील वैयक्तिकृत रिपोर्ट असो. आपल्या प्रश्नासाठी संदर्भ जोडण्यासाठी तुम्ही फाइल्स किंवा स्प्रेडशीट्स अ‍ॅटॅच करू शकता. एकदा हे सुरु झाल्यावर, साइडबार दिसते ज्यामध्ये घेतलेल्या स्टेप्स आणि वापरलेल्या स्त्रोतांचा सारांश असतो.

Deep research आपले काम पूर्ण करण्यासाठी 5 ते 30 मिनिटे घेऊ शकते, वेबमध्ये खोलवर जाऊन माहिती मिळवण्यासाठी आवश्यक वेळ घेतो. दरम्यान, तुम्ही दुसऱ्या कामात व्यस्त राहू शकता—रिसर्च पूर्ण झाल्यावर तुम्हाला नोटिफिकेशन मिळेल. अंतिम आउटपुट चॅटमध्ये रिपोर्टच्या रूपात येते – पुढील काही आठवड्यांत, आम्ही या रिपोर्टमध्ये एम्बेड केलेली इमेजेस, डेटा व्हिज्युअलायझेशन्स, आणि इतर अ‍ॅनालिटिक आउटपुट्सही जोडणार आहोत, जे अधिक स्पष्टता आणि संदर्भ देतील.

Deep research शी तुलना केली तर, GPT‑4o रिअल-टाइम, मल्टीमॉडल संभाषणांसाठी आदर्श आहे. बहुपक्षीय, डोमेन-विशिष्ट चौकशीसाठी जिथे खोल आणि तपशील महत्त्वाचे असतात, deep research ची विस्तृत एक्सप्लोरेशन करण्याची आणि प्रत्येक दावे उद्धृत करण्याची क्षमता हे वेगवान सारांश आणि व्यवस्थित डोक्युमेंटेड, पडताळलेले उत्तर यामधील फरक दर्शवते, जे वर्क प्रॉडक्ट म्हणून वापरता येऊ शकते.

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 प्रॉम्प्टला अत्यंत सविस्तर पद्धतीने प्रतिसाद देते, सोप्या संदर्भासाठी आणि तुलना करण्यासाठी टॉप 10 विकसित देश आणि टॉप 10 विकसित होणारे देश यांची देश-विशिष्ट डेटा बाजूने बाजूस देते. हे माहिती वापरून सविस्तर मार्केट-एंट्री शिफारसी देते, ज्या माहितीपूर्ण आणि वापरण्यास योग्य आहेत.

हे कसे कार्य करते

सखोल संशोधन विविध डोमेनमधील कठीण ब्राउझिंग आणि तर्कशक्ती कामवर एंड-टू-एंड मजबुतीकरण शिक्षण वापरून प्रशिक्षित केले गेले. त्या प्रशिक्षणाद्वारे, त्याने आवश्यक डेटा शोधण्यासाठी मल्टि-स्टेप ट्रॅजेक्टरी नियोजन आणि अंमलबजावणी करणे शिकलं, आवश्यकतेनुसार रिअल-टाइम माहितीवर बॅकट्रॅकिंग आणि प्रतिक्रिया देत. हा मॉडेल वापरकर्त्याने अपलोड केलेल्या फाइल्स ब्राउझ करू शकतो, पायथन टूल वापरून ग्राफ प्लॉट आणि इटरेट करू शकतो, जनरेट केलेले ग्राफ आणि वेबसाइटमधील प्रतिमा रिस्पॉन्समध्ये एम्बेड करू शकतो, आणि स्त्रोतांमधील विशिष्ट वाक्य किंवा परिच्छेद उद्धृत करू शकतो. या प्रशिक्षणामुळे, हे अनेक सार्वजनिक मूल्यांकनांमध्ये नवीन उच्चांक गाठते जे रिअल-वर्ल्ड समस्यांवर लक्ष केंद्रित करतात.

ह्यूमॅनिटी'स लास्ट एक्झाम

मानवतेच्या शेवटच्या परीक्षेवर⁠(नवीन विंडोमध्ये उघडेल), नुकतेच प्रसिद्ध झालेले मूल्यांकन जे तज्ञांच्या स्तरावरील प्रश्नांवर विषयांच्या विस्तृत श्रेणीमध्ये AIची चाचणी घेते, सखोल संशोधनाला सामर्थ्य देणारे मॉडेल 26.6% अचूकतेवर नवीन उच्चांक गाठते. या चाचणीत 3,000 पेक्षा जास्त मल्टीपल चॉइस आणि शॉर्ट अँसर प्रश्न आहेत, जे भाषाशास्त्रापासून रॉकेट सायन्स, क्लासिक्सपासून इकोलॉजीपर्यंत विविध 100 पेक्षा जास्त विषयांमध्ये आहेत. OpenAI o1 च्या तुलनेत, सर्वात मोठी प्रगती केमिस्ट्री, ह्युमॅनिटीज आणि सोशल सायन्सेस, तसेच गणितात दिसली. सखोल संशोधन चालवणाऱ्या मॉडेलने आवश्यक असताना विशिष्ट माहिती प्रभावीपणे शोधून मानवी-समान दृष्टिकोन दाखविला.

मॉडेल	ॲक्युरसी (%)
GPT-4o	३.३
Grok-2	३.८
Claude 3.5 Sonnet	४.३
Gemini Thinking	६.२
OpenAI o1	९.१
DeepSeek-R1*	९.४
OpenAI o3-mini (medium)*	१०.५
OpenAI o3-mini (उच्च)*	१३.०
OpenAI डीप रिसर्च**	२६.६

* मॉडेल मल्टी-मोडल नाही, केवळ मजकूर-सबसेटवर मूल्यांकन केले.

**ब्राउझिंग + python टूल्ससह

GAIA

GAIA⁠(नवीन विंडोमध्ये उघडेल)¹ वर, जे वास्तविक जगातील प्रश्नांवर AIचे मूल्यांकन करणारे सार्वजनिक बेंचमार्क आहे, सखोल संशोधनाला सामर्थ्य देणारे मॉडेल बाह्य लीडरबोर्ड⁠(नवीन विंडोमध्ये उघडेल) वर अव्वल स्थान मिळवत नवीन अत्याधुनिक स्थितीत (SOTA) पोहोचते. तीन स्तरांतील कठीण प्रश्न समाविष्ट असलेल्या या कामचे यशस्वी पूर्णकरण तर्कशक्ती, बहु-पद्धती फ्लुएन्सी, वेब ब्राउझिंग, आणि टूल-यूज प्रावीण्य यासारख्या क्षमतांची मागणी करते.

GAIA
	लेव्हल 1	लेव्हल 2	लेव्हल 3	सरासरी
मागील SOTA(नवीन विंडोमध्ये उघडेल)	६७.९२	६७.४४	४२.३१	६३.६४
Deep Research (pass@1)	७४.२९	६९.०६	४७.६	६७.३६
Deep Research (cons@64)	७८.६६	७३.२१	५८.०३	७२.५७

GAIA काम उदाहरणे

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.]

शोध स्पष्ट करणे

मी सायंटिफिक रिपोर्ट्स मधील 2012 च्या लेखासाठीची विनंती एकत्र करत आहे, ज्यात नॅनो-कंपाऊंड तपशीलवार आहे, प्लाझ्मोनिक्सशी संबंधित कोणतेही भाग वगळून. कदाचित यामध्ये विशिष्ट विषय किंवा कंपाऊंड फिल्टर करणे समाविष्ट आहे, जसे की सिल्वर किंवा ग्राफीन.

तपशील एकत्र करणे

मी "सायंटिफिक रिपोर्ट्स 2012 नॅनोपार्टिकल" ची सब-सर्च करत आहे, कदाचित नॅनो-कंपाऊंड शोधत आहे. प्लाझ्मोन संबंधित विषय फिल्टर करण्यास रस आहे, कदाचित सिल्वर, ग्राफीन किंवा क्वांटम डॉट्सवर लक्ष केंद्रित करत आहे.

[search action]

सर्च फिल्टर्स वापरणे

मी nature.com आणि Scientific Reports 2012 च्या अ‍ॅडव्हान्स्ड सर्च फिल्टर्स तपासत आहे, जेणेकरून फूड कारामेलमधील ॲमॉर्फस कार्बन नॅनोपार्टिकल्सवर लेख निश्चित करता येतील.

कॉन्फरन्स प्रोसिडिंग्स ओळखणे

शोध परिणाम 2012 मधील "2D क्वासीपिरिओडिक प्लाझमॉनिक क्रिस्टल्स" नावाच्या कॉन्फरन्स प्रोसिडिंगस दाखवतात, कदाचित सायंटिफिक रिपोर्ट्स मधील "कॉन्फरन्स प्रोसिडिंग्स" वर्गाखाली सापडले.

[browse action]

संभाव्य समस्यांवर विचार करणे

मी वेब पेजच्या गैरसमजामागील कारणांचा विचार करत आहे, कदाचित जुना एजंट टाइप किंवा अनवधानाने ब्लॉक झाल्यामुळे.

[browse action]

डायनॅमिक ऑप्शन्सचा विचार करणे

मी डायनॅमिक कंटेंट असलेल्या नॅचर साइट किंवा कॅश केलेले व्हर्जन विचारात घेत आहे. पर्यायीरीत्या, विशिष्ट वाक्यांशासाठी शोध घेण्याचा प्रयत्न उपयुक्त ठरू शकतो.

[search action]

की फिचर्स निश्चित करणे

ठीक आहे, मी Sci Rep मध्ये 2012 च्या चार कॉन्फरन्स प्रोसिडिंग्स ओळखत आहे. विशेष म्हणजे, काहींमध्ये "प्लाझमॉनिक" उल्लेख आहे आणि ते वगळले पाहिजेत.

[browse action]

इनसाइट्स एकत्र करणे

मी सविस्तर विश्लेषण सुनिश्चित करण्यासाठी विशिष्ट शीर्षकांसाठी कॅश केलेले व्हर्जन किंवा स्निपेट विस्तार कसे मिळवता येईल याची माहिती गोळा करत आहे.

[search action]

तपशील एकत्र करणे

मी 2012 European Materials Research Society Spring Meeting पासून वैज्ञानिक रिपोर्टकडे प्रगती नोंदवत आहे, कॉन्फरन्स प्रोसिडिंग्सवर लक्ष केंद्रित करून. ही पद्धत संदर्भ आणि संबंधितता स्थापन करण्यात मदत करते.

[search action]

जर्नल क्ल्यूज ट्रॅक करणे

2012 च्या शेवटच्या कॉन्फरन्स प्रोसिडिंग्सला "Scientific Reports" जर्नलशी जोडण्याचा प्रयत्न, प्लाझ्मोनिक 2D क्वासिपिरिओडिक मटेरियल्सवर लक्ष केंद्रित करून. ही पद्धत व्यवस्थित आणि अचूक वाटते.

[search action]

इव्हेंट तपशीलांचे विश्लेषण

शोध परिणाम [8] लक्षात घेतले की त्यात एक पृष्ठ आहे जे कदाचित European Materials Research Society 2012 Spring Meeting सारांशित करत असेल, ज्यात 25 सिम्पोसिया समाविष्ट आहेत.

[browse action]

रिसर्च एकत्र करणे

मी 4 लेख असलेल्या एकत्रित पृष्ठाचे परीक्षण करत आहे, प्लाझ्मोनिक आणि मेटामटेरियल विषयांचा विचार करत आहे, आणि European Materials Research Society 2012 Spring Meeting मधील मुख्य संदर्भ ओळखत आहे.

[browse action]

फोकस निश्चित करणे

मी E-MRS कडून "सायंटिफिक रिपोर्ट्स" मध्ये 2012 च्या कॉन्फरन्स प्रोसिडिंग्सवर लक्ष केंद्रित करत आहे, कदाचित "2D क्वासीपिरिओडिक प्लाझमॉनिक क्रिस्टल्स" आणि "नॅनोस्केलवर ऑप्टिकल स्कॅटरिंग सानुकूल करण्यासाठी लेयर्ड प्लाझमॉनिक क्लॉक्सe" सारख्या विषयांसह.

[browse action]

लायब्ररी स्त्रोतांचे मूल्यांकन

विशेष अंक E-MRS 2012 Sci Rep आमंत्रित पेपर Monticone आणि Metamaterials Lab, News Archives – 2012 यांचा विचार करत आहे.

[browse action]

ऍक्सेसिबिलिटीचे मूल्यमापन

मी संभाव्य साइट ऍक्सेस समस्यांबाबत माहिती गोळा करत आहे, जुन्या स्थिती किंवा ब्लॉकिंगचा विचार करत आहे. तसेच, Monticone साइटची यादी संदर्भासाठी मूल्यमापन करत आहे.

[browse action]

E-MRS 2012 एकत्र करणे

मी "लेयर्ड प्लाझमॉनिक क्लॉक्स" ला E-MRS 2012 शी लिंक करण्याचा प्रयत्न करत आहे. ग्राफीन आणि कॅटालिसिस सारख्या इतर संभाव्य विषयांचा विचार करत आहे.

[browse action]

संबंधित विषय ओळखणे

मी ग्राफीन,फोटोव्होल्टॅइक्स, आणि नॅनोस्ट्रक्चर्ड कंपाऊंड्ससारख्या विषयांवर माहिती गोळा करत आहे, प्लाझ्मोनिक-संबंधित विषय वगळून. यामुळे मी नॅनोतंत्रज्ञानाच्या पैलूंवर अधिक व्यापकपणे लक्ष केंद्रित करतो.

[browse action]

माझा फोकस समायोजित करणे

मी 2012 मधील नेचर सायंटिफिक रिपोर्ट्स मध्ये 2D क्वासीपिरिओडिक प्लाझमॉनिक क्रिस्टल्स बद्दल लेख निश्चित करण्यासाठी विशिष्ट site आणि scholar identifiers टाकून शोध parameters विस्तारित करत आहे.

[search action]

नॉन-प्लाझ्मोनिक शक्यता ओळखणे

मी शोध मर्यादित करत आहे जेणेकरून 2012 E-MRS स्पेशल अंकातील सायंटिफिक रिपोर्ट्स लेख ओळखता येतील. यामध्ये शीर्षके तपासणे समाविष्ट आहे जिथे नॉन-प्लाझ्मोनिक विषय, जसे की ग्राफीन किंवा फंक्शनल ऑक्साइड्स, आहेत. लक्ष केंद्रित केलेल्या शोधांद्वारे आणि प्लाझ्मोनिक लेख वगळल्यामुळे प्रगती स्पष्ट आहे.

[search action]

क्ल्यूज एकत्र करणे

मी ग्राफीन सुपरलेटिसमध्ये इंटरॅक्शन्सचे विश्लेषण करत आहे, कदाचित Sci Rep लेखातून. Padooru, Yakovlev, Chen, आणि Alu सारख्या लेखकांच्या शीर्षकांचा विचार करत आहे.

[search action]

पझल एकत्र करणे

मी E-MRS 2012 Spring Meeting च्या Sci Rep प्रोसिडिंग्सची माहिती गोळा करत आहे, इन्व्हाइटेड पेपर्सवर लक्ष केंद्रित करून, प्लाझ्मोनिक फिनॉमिना वगळून. पुनरावलोकनाखालील प्रकार आहेत: ग्राफीन, कॅटालिसिस, एनर्जी मटेरियल्स, नॅनोमेडिसिन, आणि सेन्सर्स.

[search action]

तज्ज्ञ-स्तरीय काम्स

विविध क्षेत्रांमधील तज्ञ-स्तरीय कामांच्या अंतर्गत मूल्यांकनात, डोमेन तज्ञांनी सखोल संशोधनाने अनेक तासांच्या कठीण, मॅन्युअल तपासणीचे स्वयंचलन केले असे मूल्यांकन केले.

पास रेट vs मॅक्स टूल कॉल्स

मॉडेल जितके अधिक ब्राउझ करते आणि ब्राउझ केलेल्या गोष्टींबद्दल विचार करते, तितके ते अधिक चांगले काम करते, म्हणून त्याला विचार करण्यासाठी वेळ देणे महत्त्वाचे आहे.

तज्ज्ञ-स्तरीय काम उदाहरणे

कामाच्या वेळी वेळेची बचत : 4 तास

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.

सॉर्प्शन मॉडेल समजून घेणे

मी ग्लासी पोलिमर्समध्ये प्युअर आणि मिक्स्ड-गॅस सॉर्प्शनबाबत माहिती गोळा करत आहे, ड्युअल-मोड सॉर्प्शन मॉडेलवर लक्ष केंद्रित करून आणि मॉडेलिंग प्रेडिक्शन्समधील आव्हाने हाताळत आहे.

[search action]

खुल्या प्रवेशाचे मूल्यांकन करणे

ठीक आहे, पाहू. ग्लासी पोलिमर्समधील मिक्स्ड-गॅस सॉर्प्शनवर MDPI चा परिणाम कदाचित ओपन प्रवेश असेल.

[browse action]

विभागांची तपासणी
मी ड्युअल मोड सॉर्प्शन मॉडेल आणि एमडीपीआय पेपरमधील त्याच्या विस्तारित विश्लेषणातून अंतर्दृष्टी एकत्र करत आहे.

[browse action]

मुख्य गुणधर्म स्पष्ट करणे

मी गॅस सॉर्प्शन वर्णन करणारे Henry’s law constant, Langmuir affinity constant, आणि Langmuir capacity constant समजून घेण्यासाठी लॅब अहवाल तपासत आहे.

[browse action]

एकत्र करणे

मी "Equation (3)" आणि "Equation (4)"प्रतिमा किंवा फॉर्म्युला डिस्प्ले असण्याची शक्यता एक्स्प्लोर करत आहे आणि त्यांना अधिक चांगले समजून घेण्यासाठी PDF सल्लामसलत किंवा आधीच्या संदर्भ शोधण्याचा विचार करत आहे.

[browse action]

शीर्षकाची संबंधितता पडताळणे

मी Freeman आणि Koros (1980) च्या दस्तऐवजात "Model for sorption of mixed gases in glassy polymers" या संदर्भाशी जुळते का ते सत्यापित करण्यासाठी त्याचा सारांश आणि शीर्षक एक्स्प्लोर करत आहे.

[search action]

लेखाचे कनेक्शन तपासणे

मी लक्षात घेतले की "pmc.ncbi.nlm.nih.gov" मधील परिणाम कदाचित समान MDPI लेख आहे, आणि मी पाहू इच्छितो की ते टेक्स्ट सादर करते की साधी आवृत्ती.

[browse action]

माहिती गोळा करणे

मी ग्लासी पोलिमर्समधील प्युअर आणि मिक्स्ड-गॅस सॉर्प्शनबाबत माहिती गोळा करत आहे. वेगवेगळ्या गॅस वातावरणात साहित्याच्या वर्तनाचे समजून घेणे हे एक महत्त्वाचे पाऊल आहे.

[search action]

गॅस सॉर्प्शनची तुलना करणे

मी लक्षात घेतले की मिश्रणातील कार्बन डायऑक्साईडचे उपस्थिती पॉलिमरमधील मिथेन सॉर्प्शनवर परिणाम करते, ज्यामुळे प्युअर गॅस परिस्थितीच्या तुलनेत मिथेनचे सॉर्प्शन कमी होते.

[browse action]

संकल्पना लिंक करणे

मी विचार करत आहे की "एक्स्टेंडेड ड्युअल मोड इक्वेशन मिक्सचर" हा टर्म ड्युअल मोड सुपरकंडक्टिंग केबल समीकरणांशी कसा संबंधित असू शकतो. हे विविध क्षेत्रांतील संकल्पना जोडण्याची क्षमता दर्शवते.

[search action]

पुनरावलोकन तपशील मागणे

मी "Theories of Sorption and Transport in Polymer Membrane" पुनरावलोकन करण्याची विनंती नोंदवत आहे.

[browse action]

PDF दुवा तपासणे

मी Result [2] विषयी उत्सुक आहे आणि स्निपेट एक्सप्लोर करणे, ज्यामध्ये ड्युअल-मोड सॉर्प्शन मॉडेल द्वि-घटक मिश्रणात विस्तारित करणे आणि A चे कॉन्सन्ट्रेशन आंशिक दाब आणि स्थिरांकांच्या दृष्टीने व्यक्त करणे समाविष्ट आहे.

[search action]

सॉर्प्शन वर्तन भाकीत करणे

ड्युअल-मोड मॉडेल भाकीत करते की दुसरी गॅस जोडल्यास सतत आंशिक दाबावर सॉर्प्शन कमी होते, प्युअर गॅस परिस्थितीच्या विपरीत.

[browse action]

PDF मिळवणे

मी nature.com PDF विषयी माहिती गोळा करत आहे, कदाचित जुना Yampol'ski लेख, पण टेक्स्ट स्निपेटसाठी University of Texas at Austin रेपॉझिटरी सारख्या पर्यायी स्त्रोतांचा विचार करत आहे.

[browse action]

रेपॉझिटरी पर्याय मूल्यांकन करणे

मी लक्षात घेतले की UT रेपॉझिटरी परिणाम योग्यरित्या प्रदर्शित न होऊ शकतो. त्यामध्ये शोध घेणे अनिश्चित आहे. पर्यायीरीत्या, result [3] मध्ये ड्युअल मोड मिश्रण सॉर्प्शन मॉडेल वर्णन करणारा स्निपेट आहे, जो स्पर्धात्मक परिणाम आणि प्रयोगात्मक डेटा मॉडेलिंगमध्ये त्याची योग्यता स्पष्ट करतो.

[search action]

फोकस सुधारित करणे

मी माझा दृष्टिकोन समायोजित करत आहे जेणेकरून शोध योग्य संदर्भावर लक्ष केंद्रित करेल.

[search action]

सॉर्प्शन मॉडेल समजून घेणे

मी शुद्ध वायूंसाठी द्वैध-मोड शोषण मॉडेलचे तपशीलवार वर्णन करत आहे: हेन्री विरघळणे आणि लँगमुइर मायक्रोव्हॉइड भरणे. मिक्स्ड गॅसेससाठी, स्पर्धात्मक सॉर्प्शन आणि नॉन-आयडियलिटीवर भर दिला जातो.

[search action]

hero.epa.gov एक्सप्लोर करणे

hero.epa.gov च्या माध्यमातून विचार करणे संभाव्य संक्षेप किंवा सामग्री.

[browse action]

मॉडेल सुधारित करणे

मी प्युअर आणि मिक्स्ड गॅस सॉर्प्शनवर इनसाइट्स गोळा करत आहे, स्पर्धा, प्लास्टिसायझेशन, आणि पॅरामीटर स्थिरता यासारख्या घटकांचा विचार करत आहे. अचूक भाकीतासाठी मिक्स्ड-गॅस डेटा समाविष्ट करत आहे.

[browse action]

ड्युअल सॉर्प्शन मॉडेल आव्हाने हाताळणे

पॅरामीटर कपलिंग आणि नॉन-युनिकनेस भाकीतावर परिणाम करतात. पॉलिमर परिस्थितीतील बदल नसल्यामुळे चुकांपर्यंत पोहोचू शकते.

[browse action]

विचलन मोजणे

मी 6FDA-mPDA मध्ये नॉन-आयडियल CO2-CH4 सॉल्युबिलिटी मोजत आहे, सॉल्युबिलिटीवर मिक्स्ड गॅस परिणाम दाखवत आहे. परवहन निवडकतेतील घट फक्त स्पर्धात्मक सॉर्प्शनमुळे होत नाही.

[browse action]

संदर्भ समाविष्ट करणे

मी संदर्भ गोळा करत आहे, MDPI 2019 आणि Vopicka 2014 सारख्या ओपन-सोर्स साहित्यावर लक्ष केंद्रित करून, पॉलिमरिक मेम्ब्रेनमधील गॅस सॉर्प्शनसाठी ड्युअल-मोड मॉडेलमधील फरक आणि आव्हानांवरील चर्चेला सपोर्ट देण्यासाठी.

[browse action]

सेक्शन्स सुचवणे

मी प्युअर vs मिक्स्ड-गॅस सॉर्प्शनवर सेक्शन्स आयोजित करत आहे, ड्युअल-मोड सॉर्प्शन मॉडेल एक्स्प्लोर करत आहे, आणि पॅरामीटर अनिश्चितता व मिक्स्ड गॅस भाकीत यांसारख्या आव्हानांचे तपशील देत आहे.

सामग्री आयोजित करणे

मी ड्युअल-मोड सॉर्प्शन मॉडेलवर लक्ष केंद्रित करत आहे, प्युअर आणि मिक्स्ड-गॅस सॉर्प्शन वर्तन एक्स्प्लोर करत आहे, आणि महत्त्वाचे फरक व आव्हाने स्पष्ट करण्यासाठी बुलेट पॉइंट्स आणि संरचित सेक्शन्स हायलाइट करत आहे.

[search action]

संदर्भ निवडणे

ठीक आहे, पाहू. मी [3], [20], [22], आणि [21] वर लक्ष केंद्रित करत आहे, ड्युअल-मोड सॉर्प्शन आणि गॅस मिश्रणांवरील स्पष्ट इनसाइटसाठी.

पॅरामीटर्स मॅप करणे

मी गोंधळ टाळण्यासाठी पॅरामीटर नावे एकत्र करत आहे. स्पष्टतेसाठी (k), (C_H'), आणि (b) वापरत आहे. प्युअर गॅस आणि मिश्रणासाठीची समीकरणे सविस्तर आणि स्पष्ट फॉरमॅटमध्ये आहेत.

आव्हाने हाताळणे

मी मल्टी-सोल्यूशन पॅरामीटर फिट्स, पॉलिमर प्लास्टिसायझेशन, आणि टेम्पोरल इफेक्ट्स हाताळत आहे. या जटिलतेमुळे प्युअर आणि मिक्स्ड गॅस सॉर्प्शन भाकीत करणे कठीण होते.

एकत्र करणे

मी सॉर्प्शन फरक, प्युअर गॅसेससाठी ड्युअल-मोड मॉडेल, मिक्स्ड गॅसेससाठी त्याचा विस्तार, आणि संबंधित आव्हाने यावर सेक्शन्स संरचित करत आहे. ही प्रगती तार्किक आणि परिणामकारक वाटते.

अंदाजित आर्थिक मूल्यानुसार एक्सपर्ट-लेव्हल कामवर पास रेट

अंदाजित तासांनुसार एक्सपर्ट-लेव्हल कामवर पास रेट

कामचे अंदाजित आर्थिक मूल्य पास रेटशी अधिक संबंधित आहे, मानवास लागणाऱ्या तासांपेक्षा – मॉडेलसाठी अवघड गोष्टी मानवासाठी वेळखाऊ असलेल्या गोष्टींपेक्षा वेगळ्या असतात.

मर्यादा

Deep research महत्त्वपूर्ण नवीन क्षमता अनलॉक करते, पण अजून प्रारंभिक आहे आणि त्याची काही मर्यादा आहेत. आंतररिक मूल्यमापनानुसार, ते कधी कधी उत्तरांमध्ये तथ्यांचे hallucinate करू शकते किंवा चुकीचे inference करू शकते, तरीही विद्यमान ChatGPT मॉडेल्सपेक्षा लक्षणीय कमी दराने. ते अधिकारिक माहिती आणि अफवा यामध्ये फरक ओळखण्यात अडचण येऊ शकते, आणि सध्या confidence calibration मध्ये कमजोरी दर्शवते, अनेकदा अनिश्चितता अचूकपणे सांगण्यात अपयशी ठरते. लाँचवेळी, रिपोर्ट्स आणि संदर्भांमध्ये सूक्ष्म फॉरमॅटिंग त्रुटी असू शकतात, आणि टास्क सुरू होण्यासाठी अधिक वेळ लागू शकतो. आम्हाला अपेक्षा आहे की अधिक वापर आणि वेळासह ही सर्व समस्या लवकर सुधारतील.

ऍक्सेस

ChatGPT मधील Deep research सध्या खूप compute-intensive आहे. एखाद्या क्वेरीवर संशोधन करण्यास जितका जास्त वेळ लागतो, तितकी inference compute अधिक लागते. आज आपण Pro users साठी optimized आवृत्ती सुरू करत आहोत, महिन्याला 100 क्वेरीपर्यंत. नंतर Plus and Team users ला ऍक्सेस मिळेल, त्यानंतर Enterprise. आम्ही अद्याप युनायटेड किंगडम, स्वित्झर्लंड, आणि युरोपियन इकॉनॉमिक एरिया मधील युझर्ससाठी ऍक्सेस आणण्यावर काम करत आहोत.

सर्व पेड युझर्स लवकरच लक्षणीय जास्त rate limits मिळवतील जेव्हा आपण Deep research चे वेगवान, अधिक cost-effective आवृत्ती लाँच करू, जी छोट्या मॉडेलद्वारे चालवली जाईल आणि तरीही उच्च-गुणवत्तेचे निकाल देते.

येत्या आठवड्यांत आणि महिन्यांत, आम्ही तांत्रिक इन्फ्रास्ट्रक्चरवर काम करणार आहोत, वर्तमान रिलीझवर जवळून लक्ष ठेवणार आहोत, आणि अजून कठोर चाचण्या पार पाडणार आहोत. हे iterative deployment या आपल्या तत्त्वाशी सुसंगत आहे. जर सर्व सुरक्षा तपासण्या आमच्या रिलीझ मानकांशी सुसंगत राहिल्या, तर आम्हाला अंदाज आहे की सुमारे एका महिन्यात deep research Plus users साठी उपलब्ध होईल.

आता पुढे काय

सखोल संशोधन आज ChatGPT वेबवर उपलब्ध आहे, आणि महिन्याभरात मोबाइल आणि डेस्कटॉप ॲपवर रोलआउट केले जाईल. सध्या, सखोल संशोधन ओपन वेब आणि कोणतीही अपलोड केलेली फाइल्सला प्रवेश करू शकते. भविष्यात, तुम्ही अधिक विशेषीकृत डेटा स्त्रोतांशी कनेक्ट होऊ शकाल—सदस्यत्वावर आधारित किंवा आंतरिक स्त्रोतांपर्यंत प्रवेश वाढवून—जेणेकरून त्याचे आउटपुट अधिक मजबूत आणि वैयक्तिकृत होईल.

पुढे पाहता, आम्ही ChatGPT मध्ये agentic अनुभव एकत्र येण्याची कल्पना करतो, जे असिंक्रोनस, प्रत्यक्ष जगातील संशोधन आणि अंमलबजावणीसाठी आहे. सखोल संशोधन जे असिंक्रोनस ऑनलाइन तपासणी करू शकते आणि Operator जे प्रत्यक्ष क्रिया घेऊ शकते, या संयोजनामुळे ChatGPT तुमच्यासाठी अधिक प्रगत काम पार पाडू शकेल.

फेब्रुवारी 3, 2025 परिशिष्ट: आम्ही o3च्या सुरुवातीच्या आवृत्तीवर कठोर सुरक्षा चाचणी, सज्जता मूल्यांकन आणि प्रशासकीय पुनरावलोकने केली जी सखोल संशोधनास सामर्थ्य देते, आणि त्यास मध्यम⁠(नवीन विंडोमध्ये उघडेल) जोखीम म्हणून ओळखले. आम्ही वेब ब्राउझ करण्याच्या सखोल संशोधनाच्या क्षमतेशी संबंधित वाढीव जोखीम चांगल्या प्रकारे समजून घेण्यासाठी अतिरिक्त सुरक्षा चाचणी देखील केली आणि नवीन शमन उपाय जोडले आहेत. आम्ही सध्याच्या मर्यादित रिलीझची कसून चाचणी आणि बारकाईने निरीक्षण करणे सुरू ठेवा. जेव्हा आम्ही Plus वापरकर्त्यांपर्यंत प्रवेश वाढवतो तेव्हा आम्ही सिस्टम कार्डमध्ये सखोल संशोधनासाठी आमची सुरक्षा अंतर्दृष्टी आणि सुरक्षा उपाय शेअर करू.

फुटनोट्स

1
आम्हाला आढळले की या dataset चे ground-truth उत्तर मोठ्या प्रमाणात ऑनलाइन लीक झाले होते आणि मॉडेलच्या न्याय्य मूल्यमापनासाठी काही वेबसाइट्स किंवा URLs ब्लॉक केल्या आहेत.

लेखक

OpenAI

संशोधन लीड्स

Isa Fulford आणि Zhiqing Sun

मूलभूत योगदानकर्ते

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

मुख्य योगदानकर्ते

संशोधन

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

डिप्लॉयमेंट

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

योगदानकर्ते

संशोधन

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

+ o3 मधील सर्व योगदानकर्ते.

सुरक्षा सिस्टम्स

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

डिप्लॉयमेंट

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

नेतृत्व

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