Переход к основному контенту
OpenAI

2 февраля 2025 г.

Релиз

Представляем глубокое исследование

Агент, который использует рассуждение для синтеза больших объёмов онлайн-информации и выполнения многоэтапных исследовательских задач за вас. Доступно пользователям Pro сегодня, а в дальнейшем и пользователям Plus и Team.

Попробовать в ChatGPT(открывается в новом окне)
Загрузка…

Обновление от 10 февраля 2026 г.: Теперь вы можете подключать Deep Research к любому MCP или приложению и ограничивать веб-поиск доверенными сайтами, разрешив брать информацию только из подтвержденных источников, соответствующих отраслевым стандартам. Вы также можете отслеживать прогресс в реальном времени и прерывать процесс, чтобы уточнять его с помощью последующих запросов или новых источников. Кроме того, мы обновили визуальное оформление, чтобы вам было проще начинать, отслеживать и просматривать ваше исследование.

Обновление от 17 июля 2025 года: Глубокие исследования теперь могут быть ещё более глубокими и обширными благодаря доступу к визуальному браузеру в составе агента ChatGPT. Чтобы воспользоваться этими обновлёнными возможностями, просто выберите «режим агента» в раскрывающемся списке редактора и введите ваш запрос напрямую. Первоначальная функциональность глубоких исследований остаётся доступной через опцию «глубокие исследования» в меню инструментов.

Обновление от 24 апреля 2025 г.: Мы значительно увеличиваем частоту использования глубоких исследований — пользователи Plus, Team, Enterprise и Edu теперь получают 25 запросов в месяц, пользователи Pro — 250, а пользователи Free — 5. Это стало возможным благодаря новой облегченной версии глубоких исследований на базе версии o4-mini, разработанной для большей экономичности при сохранении высокого качества. После достижения лимита в полной версии ваши запросы автоматически перейдут на облегченную версию.

Обновление от 25 февраля 2025 г.: Все пользователи Plus теперь могут использовать режим глубокого исследования.

Обновление от 5 февраля 2025 г.: Глубокие исследования теперь доступны пользователям Pro в Великобритании, Швейцарии и Европейской экономической зоне.

Сегодня мы запускаем глубокое исследование в ChatGPT, новую агентную возможность, которая проводит многоэтапные исследования в интернете для выполнения сложных задач. Он выполняет за десятки минут то, на что у человека ушло бы много часов.

Глубокие исследования — следующий агент OpenAI, который может выполнять работу за вас самостоятельно: вы даёте ему промпт, и ChatGPT найдёт, проанализирует и синтезирует сотни онлайн-источников, чтобы создать комплексный отчёт на уровне аналитика-исследователя. Работая на версии будущей модели OpenAI o3, оптимизированной для веб-серфинга и анализа данных, он использует рассуждения для поиска, интерпретации и анализа огромных объемов текста, изображений и PDF-файлов в интернете, при необходимости адаптируясь к новой информации.

Способность синтезировать знания — необходимое условие для создания новых знаний. По этой причине, глубокие исследования знаменуют собой значительный шаг к нашей более широкой цели — развитию AGI, которую мы давно представляли как систему, способную создавать новые научные исследования.

Why we built deep research

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

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

How to use deep research

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

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

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

GPT-4o

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

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

Top 10 Developed Countries by GDP:

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

Top 10 Developing Countries by GDP:

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

Insights:

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

Recommendations:

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

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

Among developing countries, the following are noteworthy:

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

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

Deep research

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

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

Country

iOS Market Share

Android Market Share

Interest in New Language

(% of population)

Mobile Penetration Change (2013→2023)

United States

(USA)

~58% iOS vs 42% Android

(see left)

High:

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

56%→82%

smartphone penetration (↑26 pp)

Japan

~69% iOS vs 31% Android

(see left)

High:

Over 50% want to learn English

~30%→79%

(approx.) (↑~50 pp)

Germany

~39% iOS vs 60% Android

(see left)

High:

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

40%→82%

(↑42 pp)

United Kingdom

(UK)

~52% iOS vs 47% Android

(see left)

Moderate-High:

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

62%→82%

(↑20 pp)

France

~35% iOS vs 64% Android

(see left)

High:

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

42%→83%

(↑40 pp)

Italy

~30% iOS vs 69% Android

(see left)

High:

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

41%→85%

(↑44 pp)

Canada

~60% iOS vs 40% Android

(see left)

Moderate:

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

56%→~80%

(↑ ~24 pp) (est., similar to US)

South Korea

~24% iOS vs 76% Android

(see left)

Moderate:

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

73%→~95%

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

Australia

~55% iOS vs 45% Android

(see left)

Moderate:

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

65%→~85%

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

Spain

~20% iOS vs 79% Android

(see left)

High:

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

55%→~85%

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

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

Country

iOS Market Share

Android Market Share

Interest in New Language

(notable stats)

Mobile Penetration Change (2013→2023)

China

^(ChatGPT restricted)

~24% iOS vs 75% Android

(see left)

Very High:

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

47%→68%

(↑21 pp)

India

~4% iOS vs 95% Android

(see left)

High:

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

~5%→46%

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

Brazil

~18% iOS vs 82% Android

(see left)

High:

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

26%→67%

(↑40 pp)

Russia

^(ChatGPT limited)

~30% iOS vs 69% Android

(see left)

Moderate:

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

36%→74%

(↑38 pp)

Mexico

~24% iOS vs 76% Android

(see left)

High:

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

37%→62%

(↑25 pp)

Indonesia

~12% iOS vs 88% Android

(see left)

High:

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

<30%→68%

(↑ ~40 pp)

Turkey

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

(see left)

High:

English highly valued (universal in education);

80%

link English to better jobs

30%→75%

(↑45 pp)

Saudi Arabia

~24% iOS vs 76% Android

(see left)

Moderate:

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

73%→~95%

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

South Africa

~16% iOS vs 83% Android

(see left)

High:

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

40%→~60%

(↑ ~20 pp) (est., steady growth)

Argentina

~12% iOS vs 88% Android

(see left)

High:

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

31%→~70%

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

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

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

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

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

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

Принцип работы

Глубокие исследования обучались с использованием сквозного обучения с подкреплением для сложных задач поиска и рассуждения в различных предметных областях. Благодаря этому обучению он научился планировать и выполнять многоступенчатую траекторию для поиска необходимых данных, возвращаясь назад и реагируя на информацию в реальном времени при необходимости. Модель также может просмотреть файлы, загруженные пользователями, формировать и итерировать графики с помощью инструмента Python, встраивать как сформированные графики, так и изображения с веб-сайтов в свои ответы, а также цитировать конкретные предложения или отрывки из своих источников. В результате этого обучения он достигает новых высот на ряде публичных оценок, сосредоточенных на реальных проблемах.

Последний экзамен человечества

В недавно выпущенной оценке «Последний экзамен человечества»⁠(открывается в новом окне), которая тестирует ИИ по широкому кругу предметов на вопросы экспертного уровня, модель, обеспечивающая глубокие исследования, достигает нового рекорда точности в 26,6 %. Этот тест состоит из более чем 3 000 вопросов с выбором ответа и коротких ответов по более чем 100 темам — от лингвистики до ракетостроения, от классики до экологии. По сравнению с OpenAI o1, наибольшие приросты наблюдались в химии, гуманитарных и социальных науках, а также в математике. Модель, обеспечивающая глубокие исследования, продемонстрировала человеческий подход, при необходимости эффективно находя специализированную информацию.

МодельТочность (%)
GPT-4o3,3
Grok-23,8
Claude 3.5 Sonnet4,3
Режим мышления Gemini6,2
OpenAI o19,1
DeepSeek-R1 *9,4
OpenAI o3-mini (средний)*10,5
OpenAI o3-mini (high)*13,0
Глубокие исследования OpenAI**26,6
* Модель не является мультимодальной, она оценивается только на текстовом комплекте.
** с просмотром и инструментами Python

GAIA

На GAIA⁠(открывается в новом окне)1, публичном бенчмарке, оценивающем ИИ по вопросам реального мира, модель, лежащая в основе глубоких исследований, достигает нового уровня передовых технологий (SOTA), возглавляя внешний лидерборд⁠(открывается в новом окне). Охватывая вопросы трех уровней сложности, успешное выполнение этих задач требует таких навыков, как логическое мышление, мультимодальная беглость, умение пользоваться интернетом и инструментами.

GAIA
Уровень 1Уровень 2Уровень 3Средн.
Предыдущая SOTA(открывается в новом окне)67,9267,4442,3163,64
Глубокое исследование (успех при 1 попытке)74,2969,0647,667,36
Глубокое исследование (cons@64)78,6673,2158,0372,57

Примеры задач 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.

[поисковое действие]

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.

[просмотреть действие]

Reflecting on potential issues

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

[просмотреть действие]

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.

[поисковое действие]

Pinpointing key features

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

[просмотреть действие]

Piecing together insights

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

[поисковое действие]

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.

[поисковое действие]

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.

[поисковое действие]

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.

[просмотреть действие]

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.

[просмотреть действие]

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."

[просмотреть действие]

Evaluating library sources

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

[просмотреть действие]

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.

[просмотреть действие]

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.

[просмотреть действие]

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.

[просмотреть действие]

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.

[поисковое действие]

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.

[поисковое действие]

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.

[поисковое действие]

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.

[поисковое действие]

Задачи уровня эксперта

В ходе внутренней оценки задач экспертного уровня в различных доменах, эксперты оценили, что глубокие исследования автоматизировали несколько часов сложного, ручного анализа. 

Процент успешного выполнения против максимального количества вызовов инструментов
Процент успешного выполненияМаксимальное количество вызовов инструментов
Чем больше модель просматривает и думает о том, что она просматривает, тем лучше она справляется, поэтому важно дать ей время подумать.
Процент успешного выполнения
Время, сохранённое на задаче: 4 часа

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

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

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

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

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

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

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

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

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

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

Понимание моделей сорбции

Я собираю информацию о сорбции чистых и смешанных газов в стеклообразных полимерах, сосредотачиваясь на модели двухрежимной сорбции и решении проблем, связанных с прогнозированием моделей.

[поисковое действие]

Оценка открытого доступа

Хорошо, давай посмотрим. Результаты исследования MDPI по сорбции смешанных газов в стеклообразных полимерах, вероятно, находятся в открытом доступе.

[просмотреть действие]

[просмотреть действие]

Изучение разделов
Я обобщаю выводы из модели двухрежимной сорбции и её расширенного анализа в статье MDPI.

[просмотреть действие]

Уточнение ключевых свойств

Я изучаю лабораторный отчет, чтобы понять константу Генри, константу сродства Ленгмюра и константу емкости Ленгмюра, которые описывают сорбцию газа.

[просмотреть действие]

Собирая воедино

Я рассматриваю возможность того, что «Уравнение (3)» и «Уравнение (4)» могут быть изображениями или формулами, и подумываю обратиться к PDF-файлу или поискать более ранние ссылки, чтобы лучше их понять.

[просмотреть действие]

Подтверждение релевантности заголовка

Я проверяю, соответствует ли документ Фримена и Короса (1980) ссылке «Модель сорбции смешанных газов в стеклообразных полимерах», проверяя его аннотацию и заголовок.

[поисковое действие]

Изучение связей статей

Я заметил, что результат с «pmc.ncbi.nlm.nih.gov» — это, вероятно, та же статья MDPI, и мне интересно, будет ли там представлен текст или его упрощённая версия.

[просмотреть действие]

[просмотреть действие]

[просмотреть действие]

Сбор информации

Я собираю информацию о сорбции чистых и смешанных газов в стеклообразных полимерах. Это критический шаг в понимании поведения материала в различных газовых средах.

[поисковое действие]

Сравнение сорбции газа

Я заметил, что присутствие углекислого газа в смеси влияет на сорбцию метана в полимере, снижая сорбцию метана по сравнению с ситуацией чистого газа.

[просмотреть действие]

Связываю концепции

Я размышляю, как термин «расширенная смесь уравнений в двойном режиме» может относиться к уравнениям сверхпроводящих кабелей в двойном режиме. Это демонстрирует потенциал для соединения концепций в различных областях.

[поисковое действие]

Запрашиваю детали проверки

Я отмечаю просьбу о рецензии на книгу «Теории сорбции и транспорта в полимерных мембранах».

[просмотреть действие]

Проверка ссылки на PDF

Мне интересно узнать о результате [2] и изучать фрагмент, который включает расширение модели двойного режима сорбции на бинарную смесь и выражение концентрации A через парциальные давления и константы.

[поисковое действие]

Прогнозирование поведения сорбции

Двухрежимная модель предсказывает, что добавление второго газа уменьшает сорбцию при постоянном парциальном давлении, в отличие от случаев с чистым газом.

[просмотреть действие]

Получение PDF-файла

Я собираю информацию о PDF с сайта nature.com, возможно, о более старой статье Ямпольского, но рассматриваю альтернативные источники, такие как репозиторий Университета Техаса в Остине для текстового фрагмента.

[просмотреть действие]

Оценка вариантов репозитория

Я обнаружил, что результат репозитория UT может отображаться некорректно. Поиск внутри него не определён. В качестве альтернативы, результат [3] содержит фрагмент, описывающий модель сорбции смеси в двойном режиме, объясняющий конкурентные эффекты и её адекватность в моделировании экспериментальных данных.

[поисковое действие]

Улучшение фокуса

Я корректирую свой подход, чтобы поиск был направлен на правильный контекст.

[поисковое действие]

Понимание моделей сорбции

Я подробно описываю модель двойного режима сорбции для чистых газов: растворение по Генри и заполнение микропустот по Лэнгмюру. Для смешанных газов акцент делается на конкурентной сорбции и неидеальностях.

[поисковое действие]

Изучаю hero.epa.gov

Продумываю о hero.epa.gov потенциальной аннотации или контенте.

[просмотреть действие]

Совершенствование модели

Я собираю данные о сорбции чистых и смешанных газов, принимая во внимание такие факторы, как конкуренция, пластификация и стабильность параметров. Интеграция данных о смешанных газах для более точных прогнозов.

[просмотреть действие]

Решение проблем модели двойной сорбции

Сопряжённость параметров и неоднозначность решений влияют на точность прогнозов. Отсутствие изменений в состоянии полимера может привести к упущениям.

[просмотреть действие]

Количественная оценка отклонения

Я количественно оцениваю неидеальную растворимость CO2-CH4 в 6FDA-mPDA, демонстрируя влияние смешанных газов на растворимость. Конкурентная сорбция не является единственной причиной снижения селективности проницаемости.

[просмотреть действие]

Включение ссылок

Я собираю цитаты, сосредотачиваясь на открытых источниках, таких как MDPI 2019 и Vopicka 2014, чтобы обеспечить поддержку обсуждения различий и проблем в модели двойного режима сорбции газа в полимерных мембранах.

[просмотреть действие]

Предложение разделов

Я организую разделы, посвященные сорбции чистых и смешанных газов, изучаю модель двухрежимной сорбции и подробно рассматриваю такие проблемы, как неопределенность параметров и прогнозирование смешанных газов.

Организация контента

Я сосредоточен на модели сорбции с двойным режимом, подробно описывая поведение чистых и смешанных газов, а также выделяю ключевые различия и трудности с помощью пунктов и структурированных разделов для ясности.

[поисковое действие]

Выбор цитат

Хорошо, давай посмотрим. Я полагаюсь на [3], [20], [22] и [21] за их ясные представления о двухмодовой сорбции и газовых смесях.

Определение параметров

Я собираю имена параметров, чтобы избежать путаницы. Для ясности придерживаемся пунктов (k), (C_H') и (b). Уравнения для чистого газа и смеси подробно описаны и четко отформатированы.

Решение сложных задач

Я занимаюсь подбором параметров многовариантных решений, пластификацией полимеров и временными эффектами. Эти тонкости делают прогнозирование сорбции чистых и смешанных газов сложной задачей.

Собирая воедино

Я структурирую разделы о различиях в сорбции, двухрежимной модели для чистых газов, её расширении на смешанные газы и связанных с этим проблемах. Этот прогресс кажется логичным и эффективным.

Процент выполнения задач экспертного уровня по оценочной экономической ценности
Процент успешного выполненияОценочная экономическая ценность
Процент успешного выполнения экспертного уровня по оценочным часам
Процент успешного выполненияОценочное количество часов
Оценочная экономическая ценность задачи больше коррелирует с процентом выполнения, чем с количеством часов, которые потребуются человеку — то, что модели считают сложным, отличается от того, что люди считают трудоемким.

Limitations

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

Access

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

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

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

Чтот дальше

Глубокие исследования доступны сегодня на веб-версии ChatGPT и будут внедрены в мобильные и настольные приложения в течение месяца. В настоящее время глубокие исследования могут получать доступ к открытому вебу и любым загруженным файлам. В будущем вы сможете подключаться к более специализированным источникам данных, расширяя доступ к ресурсам подписки или внутренним ресурсам, чтобы сделать результаты ещё более надёжными и персонализированными.

Смотря в будущее, мы видим, как агентные возможности объединяются в ChatGPT для асинхронных исследований и выполнения задач в реальном мире. Сочетание глубоких исследований, которые могут выполнять асинхронные онлайн-исследования, и Operator, который может выполнять реальные действия, позволит ChatGPT выполнять всё более сложные задачи за вас.

Дополнение от 3 февраля 2025 года: Мы провели тщательное тестирование безопасности, оценку готовности и обзоры управления ранней версии o3, используемой для глубоких исследований, определив её как средний⁠(открывается в новом окне) риск. Мы также провели дополнительное тестирование безопасности, чтобы лучше понять дополнительные риски, связанные возможностью режима «Глубокое исследование» просматривать веб-страницы, и добавили новые меры по снижению рисков. Мы продолжим тщательное тестирование и наблюдение за текущей ограниченной версией. Мы поделимся нашими выводами о безопасности и мерами защиты для глубоких исследований в системной карточке, когда расширим доступ для пользователей Plus.

Footnotes

  1. 1

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

Authors

OpenAI

Research Leads

Isa Fulford, Zhiqing Sun

Foundational Contributors

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

Core Contributors

Research

Elaine Ya Le, Eric Mitchell, Eric Wallace, Hyung Won Chung, Ignasi Clavera, Leo Liu, Lorenz Kuhn, Louis Feuvrier, Max Schwarzer, Saachi Jain, Scottie Yan, Shunyu Yao, Vitchyr Pong

Deployment

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

Contributors

Research

Ahmed El-Kishky, AJ Ostrow, Alexander Wei, Andrei Gheorghe, Andrew Kondrich, Andrey Mishchenko, Anuj Nair, Behrooz Ghorbani, Brydon Eastman, Chak Li, Foivos Tsimpourlas, Francis Song, Giambattista Parascandolo,Gildas Chabot, Hessam Bagherinezhad, Haitang Hu, Hongyu Ren, Henry Aspegren, Hunter Lightman, Ilya Kostrikov, Ilge Akkaya, James Lennon, Jean Harb, Jonathan Ward, Kai Chen, Katy Shi, Kevin Liu, Kevin Yu, Manuka Stratta, Marvin Zhang, Mengyuan Yan,  Mostafa Rohaninejad, Noam Brown, Phoebe Thacker, Raz Goan, Reah Miyara, Spencer Papay, Taylor Gordon, Wenda Zhou, Wenlei Xie, Yash Patil, Yann Dubois, Youlong Cheng, Yushi Wang, Wyatt Thompson

+ all the contributors to o3.

Safety Systems

Adam Kalai, Alex Beutel, Andrea Vallone, Andy Applebaum, David Robinson, Elizabeth Proehl, Evan Mays, Grace Zhao, Irina Kofman, Jason Phang, Joaquin Quinonero Candela, Joel Parish, Kevin Liu, Kristen Ying, Lama Ahmad, Leon Maksin, Leyton Ho, Meghan Shah, Michele Wang, Miles Wang, Phillip Guo, Olivia Watkins, Owen Campbell-Moore, Patrick Chao, Sam Toizer, Samuel Miserendino, Sandhini Agarwal, Tejal Patwardhan, Tina Sriskandarajah, Troy Peterson, Yaodong Yu, Yunyun Wang

Deployment

Adam Koppel, Adam Wells, Adele Li, Andy Applebaum, Andrey Malevich, Andrew Duberstein, Andrew Howell, Anton Tananaev, Ashley Tyra, Brandon Walkin, Bryan Ashley, Cary Bassin, Cary Hudson, Cory Decareaux, Cristina Scheau, Derek Chen, Dibya Bhattacharjee, Drea Lopez, Eric Antonow, Eric Burke, Filippo Raso, Fotis Chantzis, Freddie Sulit, Harris Cohen, Heather Whitney, Jay Dixit, Jeffrey Han, Jen Robinson, Jessica Shieh, Joel Parish, Kan Wu, Kevin Gladstone, Kshitij Wadhwa, Leo Vandriel, Leyton Ho, Liang Chen, Madeline Christian, Mamie Rheingold, Matt Jones, Michelle Fradin, Mike McClay, Mingxuan Wang, Nacho Soto, Niko Felix, Patrick Delaney, Paul McMillan, Philip Pronin, Rodrigo Riaza Perez, Samuel Miserendino, Scott Ethersmith, Steven Baldwin, Thomas Dimson, Tomo Hiratsuka, Yaming Lin, Yara Khakbaz, Yining Chen

Leadership

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