OpenAI反击DeepSeek！刚发布新模型Deep research，刷新最高记录

本文链接：https://blog.csdn.net/bagell/article/details/145453660

专注AIGC领域的专业社区，关注微软&OpenAI、百度文心一言、讯飞星火等大语言模型（LLM）的发展和_应用_落地，聚焦LLM的市场研究和AIGC开发者生态，欢迎关注！

今早8点，OpenAI东京分部进行了技术直播，发布了全新模型——Deep Research。

与传统大模型不同的是，Deep Research能够像人类分析师一样，对复杂的任务进行逐步分解，并在互联网上进行多轮的信息搜索与验证。会根据已有的信息逐步调整研究方向和策略，不断深入挖掘问题的本质，直到找到最合适的答案。

例如，在处理一个关于特定市场趋势的研究任务时，模型首先会通过关键词搜索获取初步信息，然后根据这些信息进一步查找相关的行业报告、统计数据、专家观点等，对不同来源的信息进行对比分析，最终形成一份综合性的研究报告。

值得一提的是， OpenAI非常罕见地与全球爆火的开源模型DeepSeek-R1进行了对比，在人类最后考试测试中达到了恐怖的26.6%，是R1的2.8倍，同时刷新了之前创造的最好记录18.2%。

直播图

其实今天是美国的周末，就算是东京分公司今早9点（比国内快1小时）就开始直播也够拼的了。

按照OpenAI以往的惯例，发布重要技术产品通常会从周二开始，可见DeepSeek对其造成了多大的影响，这是攒足了大招要全面反攻。其实单从这个模型的名字就能看出来寓意啦~

Deep Research简单介绍

「AIGC开放社区」根据直播观看到的内容，为大家简单介绍一下Deep Research的技术特点和优势。

Deep Research是基于OpenAI的o3模型之上开发而成的，并针对多种特定任务进行了深度优化和精调。

端到端强化学习是 Deep Research 的关键所在。传统的机器学习方法在处理复杂任务时，往往需要人为地划分多个阶段进行训练和优化，而端到端强化学习则让模型从输入到输出进行整体的学习和优化。

Deep Research通过这种学习方式，学会了规划和执行多步骤的研究轨迹。在面对一个复杂的研究课题时，它能够像人类研究者一样，制定出合理的研究计划，先确定从哪些渠道获取信息，然后根据获取到的信息进行分析，判断下一步的研究方向。

如果在研究过程中发现之前的计划存在偏差，它还能像经验丰富的研究者一样进行回溯，重新调整研究策略，确保最终能得到准确且有价值的结果。

完整技术直播

在这个学习过程中，模型不断地与环境进行交互，从环境反馈中学习最优的行为策略。在浏览网页获取信息时，模型会根据网页内容的相关性、可信度等因素，决定是否深入浏览该网页，以及如何提取其中有用的信息。

这种基于实时信息进行决策和调整的能力，是 Deep Research 能够高效完成复杂研究任务的重要保障。

除了端到端强化学习，去除模型的响应限制也是 Deep Research 的重要技术突破。传统的大模型为了追求快速响应，往往在处理复杂问题时只能浅尝辄止，无法进行深入的思考和分析。

Deep Research 打破了这一限制，允许模型花费5 —30 分钟甚至更长时间来处理问题。这使得模型有足够的时间对海量的网络信息进行筛选、分析和整合，从而能够输出更加全面、深入、准确的研究成果。

例如，在进行市场调研类任务时，模型可以花费足够的时间去收集不同地区、不同时间段的市场数据，对市场趋势进行更精准的预测；

在学术研究领域，它能够深入研读大量的文献资料，挖掘出不同研究之间的潜在联系，为科研工作者提供更具价值的研究思路。

Deep Research主要模块

Deep Research模型由多个模块组成，有点类似分层的AI Agent协同工作。信息发现模块，能够快速定位到各类网站、文档、数据库等信息源，并从中提取出有价值的线索。当用户想要了解某一特定疾病的最新研究进展时，信息发现模块会迅速在学术数据库、科研机构网站、医学论坛等多个平台上搜索相关的论文、研究报告、专家观点等信息，为后续的分析和综合提供丰富的素材。

信息发现模块还具备强大的信息筛选能力。它能够根据关键词、语义关联、信息的时效性和可信度等多个维度对搜索到的信息进行初步筛选，排除那些与用户问题无关或价值较低的信息，大大提高了信息处理的效率和质量。在筛选过程中，它会运用自然语言处理技术对信息内容进行分析，准确理解信息的含义，确保筛选出的信息与用户需求高度匹配。

信息综合模块，能将来自不同渠道的信息进行整合和梳理，识别出信息之间的逻辑关系，将零散的信息组织成一个有条理的整体。

例如，在进行科技领域的研究时，信息综合模块可能会将关于某一新技术的原理介绍、应用案例、发展趋势等不同方面的信息进行融合，形成一份系统的技术报告。在这个过程中，不仅会整合文字信息，还会对图片、表格、数据等多种形式的信息进行处理和分析，使最终的研究成果更加丰富和全面。

信息综合模块还具备信息提炼的能力，能够从大量的信息中提取出关键要点，去除冗余信息，使研究成果更加简洁明了。在处理一篇冗长的学术论文时，能够准确提炼出论文的核心观点、研究方法、主要结论等重要内容，帮助用户快速了解论文的精髓，节省阅读和分析的时间。

Deep Research 的推理模块是其核心功能之一，可以像人类一样的思考和判断能力。在面对复杂的问题时，推理模块能够运用逻辑推理、知识图谱等技术，对收集到的信息进行深入分析和推理。在解答科学问题时，推理模块会根据已知的科学原理和事实，对问题进行逐步推导和论证，得出合理的结论。在分析市场趋势时，会结合历史数据、市场动态、行业政策等多方面信息，运用经济学原理和数据分析方法，预测市场的未来走向。

推理模块还具备自我修正和优化的能力。在推理过程中，如果发现新的信息与之前的推理结果存在矛盾，它会重新审视推理过程，调整推理策略，确保最终的结论更加准确可靠。在研究某一历史事件时，随着新的历史资料被发现，推理模块会根据这些新资料对之前的研究结论进行修正和完善，使研究成果更加符合历史事实。

Deep Research 的输出模块致力于为用户提供高质量的研究成果呈现。能够根据用户的需求，将研究结果以不同的格式输出，如报告、论文、图表等。当用户需要进行市场分析时，输出模块可以生成一份格式规范、内容详实的市场调研报告，其中包含清晰的文字阐述、直观的图表展示以及准确的数据引用，方便用户进行决策和汇报。

Deep Research测试数据

AI安全与规模中心发布的 “人类的最后一次考试”，是一项涵盖广泛知识领域的基准测试。包含约 3000 个简答题和多项选择题，涉及约 100 个不同学科。在这项测试中，Deep Research 模型的准确率达到 26.6%，超过R1、o1、Grok2等知名开闭源模型。