2 februari 2025

Vi presenterar djup research

En agent som använder resonemang för att sammanställa stora mängder onlineinformation och slutföra flerstegs researchuppgifter åt dig. Tillgängligt för Pro-användare i dag, och snart även för Plus- och Team-användare.

Prova ChatGPT

Laddar …

Uppdatering 2026-02-10: Du kan nu ansluta djup forskning till valfri MCP eller app och begränsa webbsökningar till betrodda webbplatser så att du kan fokusera på autentiserade, branschstandardiserade källor. Du kan nu även följa framsteg i realtid och avbryta för att förfina med uppföljande promptar eller nya källor. Vi har uppdaterat den visuella upplevelsen så att det är enklare att starta, följa och granska forskning från början till slut.

Uppdatering 2025-07-17: Djup forskning kan nu gå ännu djupare och bredare med tillgång till en visuell webbläsare som en del av ChatGPT‑agenten. För att få tillgång till dessa uppdaterade funktioner väljer du "agentläge" i kompositörens rullgardinsmeny och skriver in din fråga. Den ursprungliga funktionen för djup forskning är fortfarande tillgänglig via alternativet "djup forskning" i verktygsmenyn.

Uppdatering 2025-04-24: Vi ökar hur ofta du kan använda djup forskning. Plus-, Team-, Enterprise- och Edu-användare får nu 25 frågor per månad, Pro-användare 250 och Free-användare 5. Detta är möjligt tack vare en ny lättviktsversion av djup forskning som drivs av en version av o4-mini som är utformad för att vara mer kostnadseffektiv samtidigt som den bibehåller hög kvalitet. När du når din gräns för den fullständiga versionen växlar dina frågor automatiskt till lättviktsversionen.

Uppdatering 2025-02-25: Alla Plus-användare kan nu använda djup forskning.

Uppdatering 2025-02-05: Djup forskning är nu tillgänglig för Pro-användare i Storbritannien, Schweiz och Europeiska ekonomiska samarbetsområdet.

I dag lanserar vi djup research i ChatGPT, en ny agentfunktion som utför flerstegsresearch på internet vid komplexa uppgifter. Det som skulle ta en människa flera timmar klarar den på tio minuter.

Djup research är OpenAI:s nästa agent som kan utföra uppgifter åt dig på ett självständigt sätt. Ge den en prompt, så hittar, analyserar och sammanställer ChatGPT hundratals onlinekällor och skapar en omfattande rapport värdig en researchanalytiker. Med hjälp av en version av den kommande OpenAI o3‑modellen, som är optimerad för webbsurfning och dataanalys, resonerar den sig fram för att söka, tolka och analysera stora mängder text, bilder och PDF:er på internet, och agerar efter behov på den information den stöter på.

Förmågan att sammanställa kunskap är en förutsättning för att skapa ny kunskap. Därför är djup research ett viktigt steg mot vårt bredare mål: att utveckla AGI, som vi sedan länge har föreställt oss kan åstadkomma ny vetenskaplig research.

Varför vi skapade djup research

Djup research är avsedd för personer som utför intensivt kunskapsarbete inom områden som finans, vetenskap, politik och teknik och behöver grundlig, exakt och tillförlitlig research. Det kan vara lika användbart för medvetna kunder som letar efter personanpassade rekommendationer för köp som i vanligtvis kräver noggrann research, som bilar, vitvaror och möbler. Alla utdata är grundligt dokumenterade, med tydliga citeringar och en sammanfattning av tankeprocessen, vilket gör det enkelt att hänvisa till och verifiera informationen. Den är särskilt effektiv för att hitta nischad, icke-intuitiv information som skulle kräva sökningar på flera webbplatser. Djup research frigör värdefull tid, eftersom du snabbar på processen och slipper komplexa och tidskrävande webbsökningar med en enda fråga.

Djup research upptäcker, resonerar kring och sammanställer insikter från nätet på ett självständigt sätt. För att lyckas med detta har den tränats på riktiga uppgifter som kräver användning av webbläsare och Python-verktyg, med hjälp av samma metoder för förstärkningsinlärning som vår första resonemangsmodell OpenAI o1 använder. Medan o1 uppvisar imponerande förmågor inom kodning, matematik och andra tekniska domän, kräver många verkliga utmaningar en omfattande kontext- och informationsinsamling från olika onlinekällor. Djup research bygger på dessa resonemangsförmågor för att överbrygga det gapet, vilket och gör att den kan ta sig an den typ av problem som människor möter på jobbet och i vardagen.

Så här använder du djup research

Välj ”djup research” i meddelandefältet i ChatGPT och ställ din fråga. Berätta för ChatGPT vad du behöver, oavsett om det är en konkurrensanalys av streamingplattformar eller en anpassad rapport om den bästa pendlarcykeln. Du kan bifoga filer eller kalkylark för att ge kontext till din fråga. När processen är i gång visas en sidopanel med en sammanfattning av de steg som vidtagits och vilka källor som använts.

Djup research kan ta mellan 5 och 30 minuter att slutföra, eftersom djupdykningar på nätet tar tid. Under tiden kan du ägna dig åt annat eller ta itu med andra uppgifter. Du får ett meddelande när researchen är klar. Den slutgiltiga utdatan kommer i form av en rapport i chatten. Under kommande veckor lägger vi även till inbäddade bilder, datavisualiseringar och andra analysutdata i dessa rapporter för att öka tydligheten och ge mer kontext.

Jämfört med djup research är GPT‑4o perfekt för multimodala samtal i realtid. För mångfasetterade och domänspecifika frågor där djup och detaljrikedom är avgörande, är den djupa researchens förmåga att genomföra omfattande efterforskningar och citera varje påstående, skillnaden mellan en snabb sammanfattning och ett väldokumenterat och verifierat svar som kan användas som arbetsprodukt.

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.

Djup 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.

Djup research svarar på prompten på ett mycket detaljerat sätt och presenterar landspecifika data sida vid sida för såväl de 10 främsta i-länderna som de 10 främsta u-länderna, så att du enkelt kan komma åt dem och göra jämförelser. Den använder informationen för att ge detaljerade rekommendationer för marknadstillträde som är både välinformerade och användbara.

Så här fungerar det

Djup research har tränats med genomgående förstärkningsinlärning på svåra webbsöknings- och resonemangsuppgifter inom en rad olika domän. Genom denna träning har den lärt sig att planera och utföra en process i flera steg för att hitta de data som behövs och vid behov gå tillbaka och reagera på information i realtid. Modellen kan även söka igenom filer som användare laddat upp, rita och iterera på diagram med hjälp av python-verktyget, bädda in såväl genererade diagram och bilder från webbplatser i sina svar och citera specifika meningar eller passager från sina källor. Som ett resultat av denna träning når den nya höjder vad gäller en rad offentliga utvärderingar som är fokuserade på verkliga problem.

Humanity's Last Exam

I Humanity’s Last Exam⁠(öppnas i ett nytt fönster), en nyligen publicerad utvärdering som testar AI på frågor på expertnivå inom en rad olika ämnen, får modellen som använder djup research en ny toppnotering med 26,6 % riktighet. Testet består av över 3 000 flervals- och kortsvarsfrågor inom fler än 100 ämnen, alltifrån lingvistik och raketforskning till klassiker och ekologi. Jämfört med OpenAI o1 märktes de största fördelarna inom kemi, humaniora och samhällsvetenskap samt matematik. Modellen bakom djup research visade prov på ett mänskligt tillvägagångssätt i och med att den vid behov sökte efter specialiserad information på ett effektivt sätt.

Modell	Riktighet (%)
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 (medel)*	10,5
OpenAI o3-mini (hög)*	13,0
OpenAI djup research**	26,6

* Modellen är inte multimodal, utvärderad på delmängd med endast text.

**med bläddring + pythonverktyg

GAIA

I GAIA⁠(öppnas i ett nytt fönster)¹, ett offentligt riktmärke som utvärderar AI på verkliga frågor uppnådde modellen som driver djup research en ny state of the art (SOTA) och toppar den externa resultattavlan⁠(öppnas i ett nytt fönster). Frågorna omfattar tre svårighetsgrader och för att lyckas med uppgifterna krävs förmågor som t.ex. resonemang, multimodal förmåga, webbsurfning och verktygsanvändning.

GAIA
	Nivå 1	Nivå 2	Nivå 3	Snitt
Föregående SOTA(öppnas i ett nytt fönster)	67,92	67,44	42,31	63,64
Djup research (pass@1)	74,29	69,06	47,6	67,36
Djup research (cons@64)	78,66	73,21	58,03	72,57

Exempel på GAIA-uppgifter

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.]

Klarlägger sökningen

Jag håller på att sammanställa en begäran om en artikel från 2012 i Scientific Reports som beskriver en nanoförening, och exkluderar alla som har med plasmonik att göra. Detta innebär sannolikt filtrering av specifika ämnen eller föreningar, som silver eller grafen.

Sammanställer information

Jag undersöker ”Scientific Reports 2012 nanoparticle”, och söker troligen efter nanoföreningar. Vill filtrera bort ämnen som har med plasmon att göra, eventuellt med fokus på silver, grafen eller kvantprickar.

[sökåtgärd]

Navigerar sökfilter

Jag gräver i avancerade sökfilter på nature.com och Scientific Reports för 2012 och försöker hitta artiklar om amorfa kolnanopartiklar i karamellfärg.

Identifierar konferenshandlingar

I sökresultaten finns en konferenshandling med titeln ”2D quasiperiodic plasmonic crystals” från 2012, som sannolikt hittats i kategorin ”Konferenshandlingar” i Scientific Reports.

[bläddringsåtgärd]

Reflekterar över potentiella problem

Jag funderar över orsakerna till en webbplatsrelaterad missuppfattning som troligen beror på en föråldrad agenttyp eller oavsiktlig blockering.

[bläddringsåtgärd]

Beaktar dynamiska alternativ

Jag tänker på en naturwebbplats med dynamiskt innehåll eller en cachad version. Att försöka söka efter specifika fraser kan hjälpa.

[sökåtgärd]

Identifierar nyckelfunktioner

Okej, jag har identifierat konferenshandlingar från 2012 i Sci Rep. En del nämner ”plasmonic” och bör exkluderas.

[bläddringsåtgärd]

Sammanställer insikter

Jag samlar information om hur man kommer åt cachade versioner eller utdragsexpansioner för specifika titlar för att säkerställa en heltäckande analys.

[sökåtgärd]

Sammanställer detaljerna

Jag noterar utvecklingen från 2012 European Materials Research Society Spring Meeting till forskningsrapporten, med fokus på konferenshandlingar. Detta tillvägagångssätt bidrar till kontext och relevans.

[sökåtgärd]

Spårar ledtrådar i tidskrifter

Försöker koppla ihop konferenshandlingar från slutet av 2012 med tidskriften Scientific Reports, med fokus på plasmoniska 2D-kvasiperiodiska material. Detta tillvägagångssätt känns metodiskt och noggrant.

[sökåtgärd]

Analyserar evenemangsinformation

Noterar att sökresultaten [8] inkluderar en sida som troligen sammanfattar European Materials Research Society 2012 Spring Meeting, däribland 25 symposier.

[bläddringsåtgärd]

Sammanställer research

Jag undersöker en trolig samlingssida med 4 artiklar om plasmoner och metamaterial och identifierar nyckelreferenser från European Materials Research Society 2012 Spring Meeting.

[bläddringsåtgärd]

Identifierar fokuset

Jag fokuserar på 2012 års konferenshandlingar i Scientific Reports från E-MRS, som troligen rör ämnen som ”2D-kvasiperiodiska plasmoniska kristaller” och ”Plasmoniska mantlar i lager för att skräddarsy den optiska spridningen på nanonivå.”

[bläddringsåtgärd]

Utvärderar bibliotekskällor

Tänker på specialutgåvan E-MRS 2012 Sci rep invited paper Monticone and metamaterials lab i Nyhetsarkiv – 2012.

[bläddringsåtgärd]

Bedömer tillgängligheten

Jag samlar info om potentiella problem med webbplatsåtkomsten med tanke på föråldrad status eller blockeringar. Jag utvärderar också Monticones webbplats angående en listreferens.

[bläddringsåtgärd]

Sammanställer E-MRS 2012

Jag försöker länka ”Plasmoniska mantlar i lager” till E-MRS 2012. Jag överväger andra möjliga ämnen som grafen och katalys.

[bläddringsåtgärd]

Identifierar relevanta ämnen

Jag samlar info om ämnen som grafen, fotovoltaik och nanostrukturerade föreningar, men utesluter plasmonrelaterade ämnen. Detta leder till att jag fokuserar på de nanoteknologiska aspekterna i ett bredare perspektiv.

[bläddringsåtgärd]

Justerar mitt fokus

Jag breddar sökparametrarna genom att ange specifika webbplats- och forskaridentifierare för att hitta artiklar om 2D-kvasiperiodiska plasmoniska kristaller i Nature Scientific Reports från 2012.

[sökåtgärd]

Identifierar icke-plasmoniska möjligheter

Jag begränsar sökningen till att identifiera artiklar från 2012 E-MRS specialutgåva i Scientific Reports. Detta innebär att jag söker efter icke-plasmoniska ämnen, som grafen eller funktionella oxider, i titlarna. Framstegen är uppenbara genom fokuserade sökningar och uteslutning av plasmoniska artiklar.

[sökåtgärd]

Sammanställer ledtrådar

Jag analyserar interaktioner i ett grafen-supergitter, troligen från en Sci Rep-artikel. Beaktar titlar av författare som Padooru, Yakovlev, Chen och Alu.

[sökåtgärd]

Lägger alla pusselbitar på plats

Jag samlar info om E-MRS 2012 Spring Meetings Sci Rep-handlingar med fokus på inbjudna artiklar utan plasmoniska fenomen. Typer som granskas är grafen, katalys, energimaterial, nanomedicin och sensorer.

[sökåtgärd]

Uppgifter på expertnivå

Under en intern utvärdering av uppgifter på expertnivå inom en rad olika områden bedömde domänexperter att djup research hade automatiserat flera timmars arbetskrävande och manuella efterforskningar.

Godkännandefrekvens jämfört med max verktygsanrop

Ju mer modellen surfar och tänker på vad det är den surfar, desto bättre presterar den, vilket är varför det är viktigt att ge den tid att tänka.

Exempel på uppgifter på expertnivå

Tidsbesparing för uppgiften: 4 timmar

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.

Förstår sorptionsmodeller

Jag samlar in information om sorption av rena och blandade gaser i glasartade polymerer, med fokus på dual-mode-sorption-modellen och tar itu med utmaningar i modellförutsägelserna.

[sökåtgärd]

Bedömer öppen tillgång

Okej, då ska vi se. Resultatet från MDPI om sorption av blandade gaser i glasartade polymerer är förmodligen fritt tillgängligt.

[bläddringsåtgärd]

Undersöker sektioner
Jag sammanställer insikter från Dual Mode Sorption Model och dess utökade analys inom MDPI-artikeln.

[bläddringsåtgärd]

Klarlägger viktiga egenskaper

Jag granskar labbrapporten för att förstå Henrys lagkonstant, Langmuirs affinitetskonstant och Langmuirs kapacitetskonstant, som beskriver gassorption.

[bläddringsåtgärd]

Sammanställer

Jag arbetar utifrån teorin att ”Ekvation (3)” och ”Ekvation (4)” kan vara bilder eller formelvisningar och överväger att granska PDF-filen eller söka efter tidigare referenser för att förstå dem bättre.

[bläddringsåtgärd]

Bekräftar om titeln är relevant

Jag kontrollerar om dokumentet från Freeman och Koros (1980) specifikt matchar referensen ”Model for sorption of mixed gases in glassy polymers” genom att kontrollera dess utdrag och titel.

[sökåtgärd]

Undersöker artikelkopplingar

Jag lade märke till att resultatet från ”pmc.ncbi.nlm.nih.gov” sannolikt är samma MDPI-artikel, och jag är nyfiken på att se om den presenterar texten eller en förenklad version.

[bläddringsåtgärd]

Samlar in info

Jag samlar in information om ren och blandad gassorption i glasartade polymerer. Detta steg är avgörande för att förstå hur materialet beter sig i olika gasmiljöer.

[sökåtgärd]

Jämför gassorption

Jag lade märke till att koldioxidens närvaro i en blandning påverkar metansorptionen i polymeren och minskar metansorptionen jämfört med om det hade varit ren gas.

[bläddringsåtgärd]

Länkar koncept

Jag funderar på hur termen ”utökad tvålägesekvationsblandning” kan vara kopplad till ekvationer för tvålägessupraledande kablar. Detta tyder på att det kan gå att sammankoppla koncept mellan olika områden.

[sökåtgärd]

Begär granskningsuppgifter

Jag noterar begäran om att granska ”Theories of Sorption and Transport in Polymer Membrane”.

[bläddringsåtgärd]

Kontrollerar PDF-länk

Jag är nyfiken på Resultat [2] och utforskar utdraget, som går igenom vad det innebär att utvidga en dual-mode-sorptionsmodell till en binär blandning och uttrycka koncentrationen av A i termer av partialtryck och konstanter.

[sökåtgärd]

Förutsäger sorptionsbeteenden

Dual-mode-modellen förutser att om en andra gas tillsätts minskar sorptionen vid ett konstant partialtryck, till skillnad från om det hade varit ren gas.

[bläddringsåtgärd]

Hämtar en PDF

Jag samlar in information om en PDF från nature.com, eventuellt en äldre artikel av Yampolskij, men funderar på alternativa källor som University of Texas i Austin-arkivet för ett textutdrag.

[bläddringsåtgärd]

Utvärderar alternativa arkiv

Jag har upptäckt att resultatet från UT-arkivet kanske inte visas korrekt. Sökningar i arkivet ger osäkra resultat. Alternativt innehåller resultat [3] ett utdrag som beskriver dual mode mixture-sorptionsmodellen, förklarar konkurrenseffekterna och dess lämplighet för modellering av experimentella data.

[sökåtgärd]

Förfinar fokuset

Jag justerar mitt tillvägagångssätt för att säkerställa att sökningen riktar in sig på rätt kontext.

[sökåtgärd]

Förstår sorptionsmodeller

Jag beskriver dual-mode-sorptionsmodellen för rena gaser: Henrys upplösning och Langmuirs fyllning av mikrovoider. För blandade gaser betonas konkurrerande sorption och icke-idealiteter.

[sökåtgärd]

Utforskar hero.epa.gov

Tänker igenom hero.epa.govs potentiella utdrag eller innehåll.

[bläddringsåtgärd]

Förfinar modellen

Jag samlar in insikter om ren och blandad gassorption, med hänsyn till faktorer som konkurrens, plasticering och parameterstabilitet. Inkorporerar data om blandade gaser för mer exakta förutsägelser.

[bläddringsåtgärd]

Tar itu med utmaningarna med dual sorption-modellen

Parameterkoppling och icke-enhetlighet påverkar förutsägelserna. Avsaknaden av förändringar i polymertillståndet kan leda till förbiseenden.

[bläddringsåtgärd]

Kvantifierar avvikelse

Jag kvantifierar icke-ideal CO2-CH4-löslighet i 6FDA-mPDA, vilket visar blandade gaseffekter på lösligheten. Konkurrenskraftig sorption är inte den enda orsaken till minskad permeabilitetsselektivitet.

[bläddringsåtgärd]

Inkorporerar referenser

Jag samlar in citat, med fokus på material med öppen källkod som MDPI 2019 och Vopicka 2014, för att underbygga diskussionen om skillnader och utmaningar i dual-mode-modellen för gassorption i polymera membran.

[bläddringsåtgärd]

Föreslår sektioner

Jag organiserar avsnitt om ren kontra blandad gassorption, utforskar dual-mode-sorptionsmodellen och beskriver utmaningar som parameterosäkerhet och prediktion av blandad gas.

Organiserar innehåll

Jag fokuserar på sorptionsmodellen med dubbla lägen, beskriver sorptionsbeteenden för rena och blandade gaser och lyfter fram viktiga skillnader och utmaningar med hjälp av punktlistor och strukturerade avsnitt för tydlighetens skull.

[sökåtgärd]

Väljer ut citeringar

Okej, då ska vi se. Jag använder mig av [3], [20], [22] och [21] för deras tydliga insikter i dual-mode-sorption och gasblandningar.

Kartlägger parametrar

Jag sammanställer parameternamnen för att undvika förvirring. Håller mig till (k), (C_H') och (b) för tydlighetens skull. Ekvationerna för ren gas och blandningar är detaljerade och tydligt formaterade.

Tar itu med utmaningar

Jag tar itu med parameteranpassningar för flera lösningar, polymerplasticering och tidseffekter. Dessa komplikationer gör det svårt att förutsäga sorption av ren och blandad gas.

Sammanställer

Jag strukturerar avsnitt om sorptionsskillnader, dual-mode-modellen för rena gaser, dess utvidgning till blandade gaser och de utmaningar som är kopplade till detta. Denna progression verkar logisk och effektiv.

Godkännandefrekvens för uppgifter på expertnivå efter beräknat ekonomiskt värde

Godkännandefrekvens för uppgifter på expertnivå efter beräknade timmar

Uppgiftens beräknade ekonomiska värde motsvarar mer godkännandefrekvensen än antalet timmar det skulle ta en människa. Sådant som modeller har svårt med skiljer sig från vad människor tycker är tidskrävande.

Begränsningar

Djup research innebär nya och betydande möjligheter, men befinner sig fortfarande i ett tidigt skede och har sina begränsningar. Den kan ibland hitta på fakta i svaren eller dra felaktiga slutsatser, även om det sker i en avsevärt lägre grad jämfört med befintliga ChatGPT‑modeller, enligt interna utvärderingar. Den kan ha svårt att skilja mellan tillförlitlig information och rykten, uppvisar för närvarande brister när det gäller att kalibrera självförtroendet och misslyckas ofta med att uttrycka osäkerhet på ett korrekt sätt. Inledningsvis kan det förekomma mindre formateringsfel i rapporter och källhänvisningar, och vissa uppgifter kan ta längre tid att starta. Vi förväntar oss att alla dessa problem snabbt förbättras med tiden och genom ökad användning.

Åtkomst

Djup research i ChatGPT är för närvarande en mycket beräkningsintensiv process. Ju längre tid det tar att utforska en fråga, desto mer beräkningskraft krävs för slutsatserna. Vi börjar med en version som är optimerad för Pro-användare i dag, med upp till 100 frågar per månad. Sedan får Plus- och Team-användarna tillgång, följt av Enterprise-användarna. Vi arbetar fortfarande med att ge tillgång till användare i Storbritannien och Nordirland, Schweiz och EES.

Alla betalande användare kommer snart att få betydligt högre hastighetsgränser när vi lanserar en snabbare och mer kostnadseffektiv version av djup research som använder en mindre modell som ändå levererar högkvalitativa resultat.

Under de kommande veckorna och månaderna kommer vi att arbeta med den tekniska infrastrukturen, noga övervaka den nuvarande versionen och genomföra ännu mer rigorösa tester. Detta är i linje med vår princip om iterativ lansering. Om alla säkerhetskontroller fortsätter att uppfylla våra lanseringsstandarder räknar vi med att lansera djup research till Plus-användarna inom ungefär en månad.

Vad händer härnäst?

Djup research är tillgänglig i dag i webbversionen av ChatGPT, och lanseras till mobil- och skrivbordsapparna inom en månad. För närvarande kan djup research komma åt öppna webben och alla uppladdade filer. I framtiden kommer du att kunna koppla upp dig mot mer specialiserade datakällor – vilket ger utökad åtkomst till prenumerationsbaserade eller interna resurser – för att göra resultaten ännu mer robusta och personliga.

Långsiktigt ser vi framför oss att agentbaserade upplevelser samlas i ChatGPT för asynkron, verklighetsbaserad research och utförande. Kombinationen av djup research, som kan utföra asynkrona onlineundersökningar, och Operator, som kan vidta verkliga åtgärder, kommer att göra att ChatGPT kan utföra mer och mer avancerade uppgifter åt dig.

Tillägg 3 februari 2025: Vi har genomfört rigorösa säkerhetstester, beredskapsutvärderingar och styrningsgranskningar av den tidiga versionen av o3 som driver djup research, och identifierat att risknivån ligger på Medel⁠(öppnas i ett nytt fönster). Vi har också genomfört ytterligare säkerhetstester för att bättre förstå de ökade riskerna kopplade till djup research och dess förmåga att bläddra på webben, och vi har lagt till nya åtgärder för att minska riskerna. Vi fortsätter att genomföra grundliga tester och noga övervaka den nuvarande begränsade releasen. Vi delar med oss av våra säkerhetsinsikter och skyddsåtgärder för djup research i ett systemkort när vi utökar åtkomsten till Plus-användarna.

Fotnoter

1
Vi upptäckte att de bekräftat korrekta svaren för denna datamängd utsatts för omfattande läckor online, och vi har därför blockerat flera webbplatser och URL:er i syfte att säkerställa en rättvis utvärdering av modellen.

Författare

OpenAI

Forskningschefer

Isa Fulford, Zhiqing Sun

Grunddeltagare

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

Viktiga deltagare

Forskning

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

Driftsättning

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

Deltagare

Forskning

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

+ alla som bidragit till arbetet med o3.

Säkerhetssystem

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

Driftsättning

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

Ledarskap

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