2 lutego 2025

Przedstawiamy głębokie badanie

Narzędzie wykorzystujące rozumowanie w celu syntetyzowania dużych ilości informacji dostępnych online i realizacji wieloetapowych procesów badawczych. Dostępne dla użytkowników Pro już dzisiaj, w przyszłości również w subskrypcjach Plus i Team.

Wypróbuj w ChatGPT

Ładowanie…

Aktualizacja z 10 lutego 2026 r.: Teraz możesz połączyć głębokie badania z dowolną MCP lub aplikacją oraz ograniczyć wyszukiwanie w Internecie do zaufanych witryn. Dzięki temu możesz skupić się na sprawdzonych źródłach zgodnych ze standardami branżowymi, śledząc przy tym postępy w czasie rzeczywistym i przerywając proces w celu dopracowania wyników przy użyciu dodatkowych poleceń lub nowych źródeł. Zaktualizowaliśmy wygląd interfejsu, aby ułatwić rozpoczęcie, śledzenie i przeglądanie badań od początku do końca.

Aktualizacja z 17 lipca 2025 r.: Dzięki dostępowi do przeglądarki wizualnej w ramach agenta ChatGPT głębokie badania mogą być teraz jeszcze bardziej szczegółowe i rozbudowane. Aby uzyskać dostęp do tych zaktualizowanych funkcji, wystarczy wybrać „tryb agenta” z menu rozwijanego w edytorze i bezpośrednio wprowadzić zapytanie. Oryginalna funkcja głębokich badań jest nadal dostępna poprzez opcję „głębokie badania” w menu narzędzi.

Aktualizacja z 24 kwietnia 2025 r.: Znacząco zwiększamy częstotliwość, z jaką użytkownicy mogą korzystać z funkcji głębokiego badania – użytkownicy korzystający z planów Plus, Team, Enterprise i Edu otrzymują teraz 25 zapytań miesięcznie, użytkownicy planu Pro – 250, a użytkownicy planu Free – 5. Jest to możliwe dzięki nowej, lekkiej wersji zaawansowanej wyszukiwarki opartej na wersji o4-mini, zaprojektowanej z myślą o większej oszczędności przy zachowaniu wysokiej jakości. Po osiągnięciu limitu dla pełnej wersji zapytania automatycznie będą przełączane do wersji wykorzystującej mniej zasobów.

Aktualizacja z 25 lutego 2025 r.: Wszyscy użytkownicy korzystający z planu Plus mogą teraz korzystać z funkcji głębokiego badania.

Aktualizacja z 5 lutego 2025 r.: Funkcja głębokiego badania jest teraz dostępna dla użytkowników korzystających z planu Pro w Wielkiej Brytanii, Szwajcarii i Europejskim Obszarze Gospodarczym.

ChatGPT wzbogacił się dzisiaj o funkcję głębokiego badania, nową zdolność do sprawczego realizowania wieloetapowych badań zasobów internetowych w kontekście złożonych zadań. Funkcjonalność ta pozwala na osiągnięcie w kilkadziesiąt minut rezultatów, które wymagałyby wielu godzin pracy człowieka.

Model głębokiego badania to kolejny agent OpenAI zdolny do niezależnego wykonywania zadań w Twoim imieniu. Ty wydajesz polecenie, a ChatGPT wyszukuje, analizuje i syntetyzuje informacje z setek źródeł internetowych, aby wygenerować spójny raport na poziomie analogicznym do pracy analityka badawczego. Dzięki wykorzystaniu jednej z wersji nadchodzącego modelu OpenAI o3 zoptymalizowanego pod kątem przeglądania sieci i analizy danych, narzędzie wykorzystuje rozumowanie w procesach wyszukiwania, interpretacji i analizy ogromnych ilości tekstu, obrazów i plików PDF dostępnych w internecie, adaptując swoje strategie adekwatnie do napotykanych informacji.

Zdolność do syntetyzowania wiedzy jest kluczowa dla generowania nowej wiedzy. Z tego względu głębokie badanie stanowi istotny krok na drodze do osiągnięcia naszego nadrzędnego długofalowego celu, jakim jest stworzenie AGI zdolnego do prowadzenia nowatorskich badań naukowych.

Dlaczego stworzyliśmy model głębokiego badania

Model głębokiego badania powstał z myślą o ludziach przetwarzających duże zasoby wiedzy w obszarach takich jak finanse, nauka, polityka czy inżynieria, w których dogłębne, precyzyjne i wiarygodne badania mają kluczowe znaczenie. Jednocześnie rozwiązanie to będzie również przydatne dla konsumentów poszukujących wysoce spersonalizowanych rekomendacji na temat produktów, które zazwyczaj wymagają intensywnego przeszukiwania licznych ofert sprzedaży samochodów, urządzeń, mebli itp. Każdy generowany wynik jest w pełni udokumentowany, zawiera wyraźnie oznaczone cytaty oraz streszczenie przyjętego rozumowania, co ułatwia identyfikację odniesień i weryfikację informacji. Narzędzie sprawdza się szczególnie dobrze przy wyszukiwaniu niszowych, nieintuicyjnych informacji, których znalezienie wymaga przejrzenia licznych stron internetowych. Głębokie badanie pozwala zaoszczędzić bezcenny czas dzięki możliwości przeprowadzenia i przyspieszenia złożonych, czasochłonnych wyszukiwań internetowych poprzez zadanie tylko jednego zapytania.

Model głębokiego badania samodzielnie wynajduje, rozpatruje i konsoliduje dane znalezione w sieci. Jest to możliwe dzięki treningowi w wykonywaniu rzeczywistych zadań wymagających wykorzystania przeglądarki i narzędzi Python, przeprowadzonemu z zastosowaniem tych samych metod uczenia przez wzmacnianie, które leżą u podstaw OpenAI o1, naszego pierwszego modelu rozumowania. Chociaż o1 wykazuje imponujące zdolności w obszarach kodowania, matematyki i innych czysto technicznych zadań, wiele codziennych zastosowań wymaga ujęcia szerokiego kontekstu i zgromadzenia informacji z różnorodnych źródeł dostępnych online. Głębokie badanie stanowi rozwinięcie umiejętności rozumowania w kierunku zapewnienia właśnie takich zdolności pozwalających na skuteczne podejmowanie problemów napotykanych przez użytkowników w życiu codziennym.

Jak korzystać z funkcji głębokiego badania

Z poziomu ChatGPT wybierz „głębokie badanie” w module komponowania wiadomości i wprowadź swoje zapytanie. Powiedz ChatGPT czego potrzebujesz – czy chcesz np. przeprowadzić analizę porównawczą platform streamingowych, czy uzyskać spersonalizowany raport na temat najlepszych ofert sprzedaży rowerów miejskich. Możesz dołączyć pliki lub arkusze kalkulacyjne, które sprecyzują kontekst pytania. Po uruchomieniu zostanie wyświetlony pasek boczny z podsumowaniem podejmowanych działań i wykorzystywanych źródeł.

Ukończenie zadanego głębokiego badania może trwać od 5 do 30 minut, potrzebnych do przeprowadzenia przez narzędzie pogłębionej analizy sieciowej. W tym czasie możesz zrobić sobie przerwę lub zająć się innymi zadaniami. Po ukończeniu badania otrzymasz stosowne powiadomienie. Dane wyjściowe generowane są formie raportu prezentowanego na czacie. W najbliższych tygodniach planujemy również dodać możliwość wzbogacania raportów o obrazy, wizualizacje danych i inne analityczne dane wyjściowe, co dodatkowo poprawi ich przejrzystość i zapewni lepszy kontekst.

W porównaniu do głębokiego badania GPT‑4o sprawdza się najlepiej w multimodalnych konwersacjach prowadzonych w czasie rzeczywistym. Natomiast w przypadku wieloaspektowych i specjalistycznych zapytań, w których kluczowe znaczenie ma szczegółowość i dogłębność analizy, zdolność modelu głębokiego badania do przeprowadzania rozbudowanych kwerend i prezentowania cytowań, na których bazują poszczególne twierdzenia, wyznacza różnicę pomiędzy krótkim podsumowaniem a dobrze udokumentowaną, zweryfikowaną odpowiedzią, którą można wykorzystać w dalszej pracy.

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.

Głębokie badanie

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.

Głębokie badanie generuje szczegółową odpowiedź na wydane polecenie, prezentując krok po kroku dane krajowe dla najważniejszych 10 rozwiniętych i 10 rozwijających się krajów, zapewniając łatwość odniesienia i szerokie możliwości porównawcze. Model wykorzystuje te informacje, aby przedstawić szczegółowe rekomendacje rynkowe, oparte na rzeczywistych danych i gotowe do wykorzystania.

Jak to działa

Model głębokiego badania był trenowany z wykorzystaniem kompleksowego systemu uczenia przez wzmacnianie w toku rozwiązywania trudnych problemów wymagających umiejętności wyszukiwania informacji i rozumowania w kontekście szerokiego wachlarza dziedzin. W procesie tego treningu narzędzie nauczyło się planować i realizować wieloetapowe trajektorie działań pozwalające na wyszukanie wymaganych danych oraz, tam gdzie jest to konieczne, cofanie się i reagowanie na informacje pozyskiwane w czasie rzeczywistym. Model ten jest również w stanie przeglądać pliki przesłane przez użytkownika, tworzyć i różnicować wykresy z użyciem narzędzia Python, uwzględniać zarówno wygenerowane wykresy jak i obrazy ze stron internetowych w swoich odpowiedziach, jak również cytować konkretne zdania lub paragrafy zaczerpnięte ze źródeł. W rezultacie tego treningu model osiągnął rekordowe wyniki w kilku publicznie prowadzonych ocenach koncentrujących się na rozwiązywaniu problemów występujących w życiu codziennym.

Ostatni egzamin ludzkości

W Ostatnim egzaminie ludzkości⁠(otwiera nowe okno), opublikowanym niedawno teście oceniającym AI w kontekście szerokiego wachlarza tematów na poziomie eksperckim, model wykorzystujący głębokie badanie osiąga rekordowy wynik z dokładnością na poziomie 26,6%. Test obejmuje ponad 3000 pytań wielokrotnego wyboru bądź wymagających udzielenia krótkiej odpowiedzi w ponad 100 obszarach tematycznych – od lingwistyki po budowę rakiet i od filozofii klasycznej po ekologię. W porównaniu z OpenAI o1 największe postępy udało się osiągnąć w zakresie chemii, nauk humanistycznych i społecznych, jak również matematyki. Model oparty na głębokim badaniu charakteryzował się podobnym do ludzkiego podejściem, skutecznie wyszukując specjalistyczne informacje tam, gdzie było to konieczne.

Model	Dokładność (%)
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 (średni)	10,5
OpenAI o3-mini (wysoki)*	13,0
Głębokie badanie OpenAI**	26,6

* Model nie ma charakteru multimodalnego; ocenę przeprowadzono przy użyciu podzbioru zawierającego wyłącznie tekst.

** przeglądanie + narzędzia python

GAIA

W ramach GAIA⁠(otwiera nowe okno)¹, publicznego benchmarku oceniającego AI na podstawie pytań zaczerpniętych z rzeczywistych sytuacji, model wykorzystujący głębokie badanie osiąga nowy najwyższy poziom (SOTA), zdobywając szczyt w zewnętrznym zestawieniu wyników⁠(otwiera nowe okno). Pytania obejmują trzy poziomy trudności, a skuteczne rozwiązanie zadawanych problemów wymaga różnorodnych umiejętności, w tym rozumowania, sprawności multimodalnej, przeszukiwania sieci i efektywnego wykorzystania narzędzi.

GAIA
	Poziom 1	Poziom 2	Poziom 3	Śr.
Poprzedni SOTA(otwiera nowe okno)	67,92	67,44	42,31	63,64
Głębokie badanie (pass@1)	74,29	69,06	47,6	67,36
Głębokie badanie (cons@64)	78,66	73,21	58,03	72,57

Przykłady zadań GAIA

In Nature journal's Scientific Reports conference proceedings from 2012, in the article that did not mention plasmons or plasmonics, what nano-compound is studied? Don't use the prefix nano in your answer if there is one.

[The remaining Chain-of-Thought messages and the final answer are hidden to protect the benchmark's ground truth answer.]

Clarifying the search

I’m piecing together the request for an article from 2012 in Scientific Reports that details a nano-compound, excluding any related to plasmonics. Likely, this involves filtering specific topics or compounds, like silver or graphene.

Piecing together details

I'm sub-searching "Scientific Reports 2012 nanoparticle," likely seeking nano-compounds. Interested in filtering out plasmon-related topics, possibly focusing on silver, graphene, or quantum dots.

[search action]

Navigating search filters

I’m digging into advanced search filters on nature.com and Scientific Reports for 2012, trying to pinpoint articles on amorphous carbon nanoparticles in food caramels.

Identifying conference proceedings

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

[browse action]

Reflecting on potential issues

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

[browse action]

Considering dynamic options

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

[search action]

Pinpointing key features

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

[browse action]

Piecing together insights

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

[search action]

Pulling together the details

I’m noting the progression from the 2012 European Materials Research Society Spring Meeting to the scientific report, focusing on conference proceedings. This approach helps establish context and relevance.

[search action]

Tracking journal clues

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

[search action]

Analyzing event details

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

[browse action]

Piecing together 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.

[browse action]

Pinpointing the focus

I’m focusing on the 2012 conference proceedings in "Scientific Reports" from E-MRS, likely involving topics like "2D quasiperiodic plasmonic crystals" and "Layered plasmonic cloaks to tailor the optical scattering at the nanoscale."

[browse action]

Evaluating library sources

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

[browse action]

Assessing accessibility

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

[browse action]

Piecing together E-MRS 2012

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

[browse action]

Identifying relevant topics

I’m gathering info on topics like graphene, photovoltaics, and nanostructured compounds, while excluding plasmonic-related ones. This leads me to focus on nanotechnology aspects more broadly.

[browse action]

Adjusting my focus

I’m broadening the search parameters by entering specific site and scholar identifiers to pinpoint articles about 2D quasiperiodic plasmonic crystals in Nature Scientific Reports from 2012.

[search action]

Identifying non-plasmonic possibilities

I'm narrowing down the search to identify articles from the 2012 E-MRS special issue in Scientific Reports. This involves checking titles for non-plasmonic topics, like graphene or functional oxides. Progress is evident through focused searches and exclusion of plasmonic articles.

[search action]

Piecing together clues

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

[search action]

Piecing together the puzzle

I’m gathering info on E-MRS 2012 Spring Meeting's Sci Rep proceedings, focusing on invited papers, without plasmonic phenomena. Types under review are graphene, catalysis, energy materials, nanomedicine, and sensors.

[search action]

Zadania na poziomie eksperckim

W toku wewnętrznej oceny zadań na poziomie eksperckim w kontekście szerokiego zakresu obszarów tematycznych model głębokiego badania został oceniony przez ekspertów w poszczególnych dziedzinach jako metoda umożliwiająca automatyzację wielogodzinnych, żmudnych kwerend.

Współczynnik powodzenia vs. Maksymalna liczba wywołań narzędzia

Im więcej treści przegląda i rozważa nasz model, tym lepiej sobie radzi, dlatego ważne jest, aby dać mu czas na zastanowienie.

Przykłady zadań na poziomie eksperckim

Czas zaoszczędzony na zadaniu: 4 godziny

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.

Understanding sorption models

I’m gathering info on pure and mixed-gas sorption in glassy polymers, focusing on the dual-mode sorption model and addressing challenges in modeling predictions.

[search action]

Assessing open access

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

[browse action]

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

[browse action]

Clarifying key properties

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

[browse action]

Piecing together

I'm working through the possibility that "Equation (3)" and "Equation (4)" might be images or formula displays and considering consulting the PDF or searching for earlier references to understand them better.

[browse action]

Confirming title relevance

I’m verifying if the document from Freeman and Koros (1980) specifically matches the reference "Model for sorption of mixed gases in glassy polymers" by checking its abstract and title.

[search action]

Examining article connections

I noticed that the result from "pmc.ncbi.nlm.nih.gov" is likely the same MDPI article, and I'm curious to see if it presents the text or a simplified version.

[browse action]

Gathering info

I'm gathering information about pure and mixed gas sorption in glassy polymers. This is a critical step in understanding the material's behavior under different gas environments.

[search action]

Comparing gas sorption

I noticed that carbon dioxide's presence in a mixture affects methane sorption in polymer, reducing methane's sorption compared to a pure gas scenario.

[browse action]

Linking concepts

I’m thinking through how the term "extended dual mode equation mixture" might relate to dual mode superconducting cable equations. This shows potential for connecting concepts across fields.

[search action]

Requesting review details

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

[browse action]

Checking PDF link

I’m curious about Result [2] and exploring the snippet, which involves extending a dual-mode sorption model to a binary mixture and expressing concentration of A in terms of partial pressures and constants.

[search action]

Predicting sorption behavior

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

[browse action]

Fetching a PDF

I'm gathering info on a nature.com PDF, possibly an older Yampol'ski article, but thinking about alternative sources like the University of Texas at Austin repository for a text snippet.

[browse action]

Evaluating repository options

I’ve discovered that the UT repository result might not display correctly. Searching within it is uncertain. Alternatively, result [3] contains a snippet describing the dual mode mixture sorption model, explaining competitive effects and its adequacy in modeling experimental data.

[search action]

Refining the focus

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

[search action]

Understanding sorption models

I’m detailing the dual-mode sorption model for pure gases: Henry dissolving and Langmuir microvoid filling. For mixed gases, competitive sorption and non-idealities are emphasized.

[search action]

Exploring hero.epa.gov

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

[browse action]

Refining the model

I'm gathering insights on pure and mixed gas sorption, considering factors like competition, plasticization, and parameter stability. Incorporating mixed-gas data for more accurate predictions.

[browse action]

Addressing dual sorption model challenges

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

[browse action]

Quantifying deviation

I’m quantifying nonideal CO2-CH4 solubility in 6FDA-mPDA, showing mixed gas effects on solubility. Competitive sorption isn’t the sole cause of permeability selectivity decline.

[browse action]

Incorporating references

I'm gathering citations, focusing on open-source materials like MDPI 2019 and Vopicka 2014, to support the discussion on differences and challenges in the dual-mode model for gas sorption in polymeric membranes.

[browse action]

Proposing sections

I'm organizing sections on pure vs mixed-gas sorption, exploring the dual-mode sorption model, and detailing challenges like parameter uncertainty and mixed gas prediction.

Organizing content

I’m focusing on the dual-mode sorption model, detailing pure and mixed-gas sorption behaviors, and highlighting key differences and challenges with bullet points and structured sections for clarity.

[search action]

Choosing citations

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

Mapping out parameters

I’m piecing together parameter names to avoid confusion. Sticking with (k), (C_H'), and (b) for clarity. The equations for pure gas and mixture are detailed and clearly formatted.

Addressing challenges

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

Piecing together

I’m structuring sections on sorption differences, the dual-mode model for pure gases, its extension to mixed gases, and the associated challenges. This progression seems logical and effective.

Współczynnik powodzenia dla zadań na poziomie eksperckim w odniesieniu do szacunkowej wartości ekonomicznej

Współczynnik powodzenia dla zadań na poziomie eksperckim w odniesieniu do szacunkowej liczby godzin

Szacunkowa wartość ekonomiczna zadania jest bardziej skorelowana ze współczynnikiem powodzenia niż liczbą godzin, których potrzebowałby człowiek, ponieważ problemy sprawiające trudności modelom są inne od tych, które okazują się czasochłonne dla ludzi.

Ograniczenia

Głębokie badanie otwiera istotne nowe możliwości, ale będąc wciąż w początkowej fazie rozwoju, ma również swoje ograniczenia. Model doświadcza niekiedy halucynacji co do faktów w udzielanych odpowiedziach lub wyciąga błędne wnioski, choć, jak wskazują nasze wewnętrzne oceny, dzieje się tak zdecydowanie rzadziej niż w przypadku istniejących modeli ChatGPT. Może on też mieć problemy z odróżnianiem wiarygodnych informacji od pogłosek, obecnie wykazuje również niedobory pod kątem kalibracji pewności, często nie radząc sobie z poprawnym komunikowaniem niepewności. Po uruchomieniu modelu mogą występować drobne błędy w formatowaniu raportów i cytowań, a zadania mogą uruchamiać się z opóźnieniem. Oczekujemy, że uda się wyeliminować te problemy w krótkim czasie, wraz z coraz szerszym użytkowaniem modelu.

Dostęp

Funkcja głębokiego badania w ramach ChatGPT wymaga obecnie znacznej mocy obliczeniowej. Wraz ze wzrostem czasu koniecznego do zbadania zapytania rośnie również zapotrzebowanie na obliczenia związane z rozumowaniem. Na chwilę obecną udostępniamy wersję zoptymalizowaną pod kątem użytkowników Pro, z ograniczeniem do 100 zapytań miesięcznie. Użytkownicy Plus i Team uzyskają dostęp w następnej kolejności, a po nich również użytkownicy z subskrypcją Enterprise. Wciąż pracujemy nad udostępnieniem tej funkcjonalności użytkownikom z Wielkiej Brytanii, Szwajcarii i Europejskiego Obszaru Gospodarczego.

W najbliższym czasie znacząco rozszerzymy limity wykorzystań dla wszystkich użytkowników posiadających płatne subskrypcje wraz z wdrożeniem szybszej, bardziej opłacalnej wersji głębokiego badania w ramach modelu mniejszego, lecz wciąż zdolnego do generowania wysokiej jakości wyników.

W nadchodzących tygodniach i miesiącach będziemy pracować nad rozwojem naszej infrastruktury technicznej, jednocześnie uważnie monitorując bieżącą wersję i przeprowadzając kolejne, jeszcze bardziej wymagające testy. Podejście to jest zgodne z naszą zasadą wdrażania iteracyjnego. Zakładając, że wyniki naszych kontroli bezpieczeństwa będą w dalszym ciągu spełniać nasze standardy wdrożeniowe, oczekujemy, że głębokie badanie zostanie udostępnione użytkownikom Plus w ciągu około miesiąca.

Co dalej

Model głębokiego badania już funkcjonuje na stronie ChatGPT, a w ciągu miesiąca zostanie udostępniony w aplikacji na urządzenia mobilne i stacjonarne. Na chwilę obecną głębokie badanie jest w stanie przetwarzać otwarte zasoby internetowe i wszelkie przesyłane pliki. W przyszłości wprowadzimy możliwość połączeń z bardziej wyspecjalizowanymi źródłami danych – rozszerzając dostęp o zasoby subskrypcyjne lub wewnętrzne – co umożliwi dalszą rozbudowę i personalizację tej funkcjonalności.

W dalszej przyszłości planujemy zintegrować funkcjonalności sprawcze w ramach ChatGPT w kierunku asynchronicznej, rzeczywistej zdolności do podejmowania i przeprowadzania badań. Połącznie zalet głębokiego badania, zdolnego do skutecznego, asynchronicznego przeszukiwania zasobów online, i Operatora, zdolnego do podejmowania działań w świecie rzeczywistym, pozwoli ChatGPT na wykonywanie w Twoim imieniu coraz bardziej złożonych zadań.

Uzupełnienie, 3 lutego 2025 r.: Przeprowadziliśmy rygorystyczne testy bezpieczeństwa, oceny gotowości i przeglądy zarządzania dla wczesnej wersji o3 wykorzystującej głębokie badanie. W wyniku oceny poziom ryzyka został określony jakośredni⁠(otwiera nowe okno). Wykonaliśmy również dodatkowe testy bezpieczeństwa, aby lepiej zrozumieć zagrożenia związane ze zdolnością modelu głębokiego badania do przeglądania zasobów sieciowych. Na podstawie uzyskanych wyników wdrożyliśmy nowe środki zaradcze. Będziemy w dalszym ciągu dogłębnie testować i monitorować bieżącą ograniczoną iterację. Nasze spostrzeżenia w zakresie bezpieczeństwa i informacje na temat zabezpieczeń zostaną udostępnione na karcie systemowej z chwilą rozszerzenia dostępu dla użytkowników Plus.

Przypisy

1
Ustaliliśmy, że zweryfikowane odpowiedzi wzorcowe dla tego zestawu danych wyciekły i zostały szeroko rozpowszechnione w Internecie. Aby w związku z tym zapewnić rzetelną ocenę modelu, zablokowaliśmy kilka stron internetowych i adresów URL.

Autorzy

OpenAI

Kierownicy badań

Isa Fulford i Zhiqing Sun

Podstawowi współpracownicy

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

Główni współpracownicy

Badania

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

Wdrażanie

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

Współpracownicy

Badania

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

+ wszyscy współpracownicy pracujący nad o3.

Systemy bezpieczeństwa

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

Wdrażanie

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

Kierownictwo

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