整个过程耗时 11 分钟，模型参考了 25 个来源。请注意，“来源”指的是父网站，模型可以浏览该网站的多个页面——以 25 个来源、每个来源平均 4 个页面计算，模型大约浏览了 100 个网页。
总体而言，我对结果感到失望——您可以在这里阅读 Deep Research 的完整回答。但先来说我喜欢的部分：
- 尽管我没有指定结构，回复依然组织良好，分区清晰，粗体、字号与项目符号使用得当。
- 来源标注合理，紧随其所引用的信息之后，便于事实核查。
- 报告在细节与篇幅之间拿捏得当——不至于浅尝辄止，也不至于需要一小时阅读。如需了解更多，我随时可以进一步追问。
不过，回答存在若干问题，我将重点谈主要的：
- 不准确：它将 DeepSeek-V3 与 DeepSeek-R1 混淆了（别忘了您可以自己在这里阅读回答）。
- 信息过时：即便我明确要求最新报告，Deep Research 仍称 Meta 的最新模型是 Llama 2、Anthropic 的最新是 Claude 2，并提到关于“代号”为 Sonnet 和 Haiku 的传闻。一开始我觉得有点好笑，但随后想到会有多少人将这些回答当作事实。
- 提示遵循度低：我明确要求 Deep Research 排除 GPT-4 并聚焦最新模型，但它没有遵守。
- 答案不完整：在 OpenAI 部分未提及 o1 等关键模型，而在 Google 部分完全漏掉了 Veo。
这些问题让人难以信任 OpenAI 的 Deep Research。我有意选择自己熟悉的主题进行测试，以便核查其回答——但如果我必须就一个完全不熟悉的话题依赖 Deep Research 呢？
示例 2：常青话题
Deep Research 的问题或许在于尚不擅长识别最新信息。于是我决定在一个更“常青”的话题上测试它——一个不那么依赖近期动态的主题。
我开的是 2013 年出厂的车，偶尔会想换车。但我总卡在同一个问题上：该买新车还是二手车？新车贬值快，旧车则可能维修成本更高。我想知道专家们怎么说，因此正好让 Deep Research 浏览各类研究与观点并汇编报告。
在继续之前，给您一个小贴士：在向 Deep Research 发出提示词前，先用您常用的 LLM 优化提示词。以“您是一名提示工程师。请帮我优化这个提示词：（此处放入您的提示）”开头。以下是我用于 Deep Research 的优化后提示词：
与之前一样，Deep Research 在开始前提出了澄清问题，随后在 6 分钟内完成研究，跨 12 个来源浏览了多个网页。您可以在这里阅读完整报告。
这一次，报告很好——非常好！
我从未想过可以从这么多角度思考这个问题。信息广度令人印象深刻，据我估计，Deep Research 为我节省了 10 小时以上的浏览与研究时间。它汇集了学术研究、行业报告、市场趋势分析、保险成本对比等。
我并非该领域专家，无法完全评估报告的准确性。不过从消费者视角来看，很多信息逻辑通顺、确实有用。我还对照引用来源核查了几处细节，未发现问题。
与第一个示例一样，深度把握得当，输出结构优秀。我尤其喜欢下表——看看那些折旧数值，您就明白为什么我还会继续开这辆 12 年的混动。
结论
OpenAI 的 Deep Research 前景可期，能够为我们节省大量研究时间。但在获取最新信息方面仍不够可靠，有时会产生错误事实或存在瑕疵的推论。
我仍然认为 Deep Research 处于早期阶段，OpenAI 团队也在他们的发布文章中坦率承认了这一点。
老实说，我会继续使用 Deep Research，也希望它会越来越好。
常见问题
移动设备上可以使用 Deep Research 吗？
目前，Deep Research 仅在 ChatGPT 的桌面网页版提供，但 OpenAI 已宣布会在一个月内支持移动端。
Deep Research 能处理高度技术化或小众主题吗？
可以，但其准确性取决于可靠在线来源的可得性。在文献稀缺的小众领域，它可能难以产出高质量结果。
Deep Research 与 ChatGPT 的标准浏览工具有何不同？
与常规浏览不同，Deep Research 会进行多步骤调查，引用多个来源、分析信息，并生成结构化报告，而非给出快速回答。
Deep Research 会向免费层用户开放吗？
OpenAI 尚未宣布将 Deep Research 提供给免费层用户的计划。目前它仅向 Pro 用户开放，并计划扩展至 Plus、Team 和 Enterprise 帐号。
OpenAI 的 Deep Research 与 Google 的 Deep Research 有何区别？
OpenAI 的 Deep Research 与 Google 的 Deep Research 都会进行多步骤的网络调查，但实现方式不同。OpenAI 的版本由基于 o3 的模型驱动，侧重结构化报告、推理和基于 Python 的数据分析，但在最新信息的准确性上存在不足。其每份报告耗时 5–30 分钟，目前仅限 ChatGPT 的 Pro 用户使用。Google 的 Deep Research 集成在 Gemini 中，借助 Google Search 进行实时信息检索，可在 5–10 分钟内完成研究。OpenAI 的版本在更深入的分析上更擅长，而 Google 的版本可能更擅长查找最新、权威的来源。
我是一名编辑和撰稿人，专注于 AI 博客、教程与新闻，确保内容契合成熟的内容策略并遵循 SEO 最佳实践。我编写过关于 Python、统计学、概率和数据可视化的数据科学课程。我的长篇小说曾获奖，业余时间从事影视剧本创作和电影导演。
OpenAI 刚刚发布了 Deep Research，这是一款由即将发布的 o3 模型的一个版本驱动的 AI 代理。它旨在浏览网页、分析多种来源，并综合大量信息。
您可能会想：ChatGPT 不是已经能做到这些了吗？
与快速生成回答的常规 ChatGPT 会话不同，Deep Research 能进行多步骤调查、引用多个来源，并产出结构化报告。
举例来说，如果您曾经研究过“买哪辆车最好”——比较测评、权衡成本等——您就知道找到可靠信息需要时间和大量网页浏览。Deep Research 正是为此类工作而生。
我测试了 Deep Research，既惊喜又失望。它潜力巨大，但也会产生错误的事实和推论。在这篇博客中，我将充当您的“人工代理”，为您总结关于 Deep Research 的所有关键信息。我会带您走过实用示例，分享提示词技巧，并指出 Deep Research 的优势所在——以及您需要格外小心的地方。
什么是 OpenAI 的 Deep Research？
OpenAI 的 Deep Research 是一款 AI 驱动的代理，旨在在互联网上进行深入的多步骤研究。与提供快捷回答的标准 ChatGPT 浏览能力不同，Deep Research 能自主查找、分析并综合数百个在线来源的信息。
Deep Research 适用于任何需要全面且可靠研究的人，包括：
本质上，只要任务涉及浏览多个来源、交叉验证数据，并将信息综合为有用的格式，Deep Research 就是合适的工具。
Deep Research 如何工作？
Deep Research 由即将推出的 o3 模型的一个版本驱动，基于 OpenAI 在推理模型方面的进展，但针对网页浏览和真实世界数据分析进行了专门优化。
为此，OpenAI 使用 强化学习对 Deep Research 进行了基于真实世界浏览与推理任务的训练。这使得模型能够遵循迭代的、循序渐进的研究流程，提升其将复杂主题综合为结构化报告的能力。
Deep Research 基准测试
Humanity’s Last Exam
Humanity’s Last Exam 是一项新近发布的基准，用于测试 AI 在 100 多个学科（从语言学、火箭科学到生态学和数学）上的专家级选择题与简答题能力。该评估衡量 AI 跨学科推理并在需要时搜寻专业知识的能力——这是面向研究型模型的关键技能。
Deep Research 取得了创纪录的 26.6% 准确率，远超此前的模型，包括 OpenAI 自家的 o1（9.1%）、DeepSeek-R1（9.4%）和 Claude 3.5 Sonnet（4.3%）。值得注意的是，相较 OpenAI 的 o1，其在化学、人文学科与社会科学以及数学方面的提升最大，Deep Research 展现出分解复杂问题并检索权威信息的能力。
模型
准确率（%）
GPT-4o
3.3
Claude 3.5 Sonnet
4.3
Gemini Thinking
6.2
OpenAI o1
9.1
DeepSeek-R1*
9.4
OpenAI o3-mini（高）*
13.0
OpenAI Deep Research（带浏览 + Python 工具）
26.6
* 这些模型在考试的纯文本子集上测试，因为它们不是多模态。来源：OpenAI
GAIA
GAIA（通用 AI 代理基准）评估 AI 系统处理真实世界问题的能力，需要综合推理、网页浏览、多模态流畅性以及工具使用熟练度。
Deep Research 刷新了最新的 SOTA 纪录，在外部 GAIA 排行榜上在各个难度级别均表现强劲。该模型在 3 级任务上尤其准确，这类任务需要复杂的多步骤研究与综合。
GAIA 评估
Level 1
Level 2
Level 3
平均
此前 SOTA
67.92%
67.44%
42.31%
63.64%
Deep Research（pass@1）
74.29%
69.06%
47.6%
67.36%
Deep Research（cons@64）
78.66%
73.21%
58.03%
72.57%
来源：OpenAI
Deep Research 的高 pass@1 分数显示其首次尝试回答 GAIA 问题就比以往模型更准确。而 cons@64 分数（衡量多次回答尝试下的表现）进一步凸显了其依据新信息自我纠错与优化答案的能力。
内部评估
OpenAI 还进行了内部评估，由领域专家对 Deep Research 的专家级任务进行打分。我觉得这些内部评估非常有意思！
下图显示，随着工具调用次数的增加，模型的通过率也随之提升。这凸显了让其迭代浏览和分析信息的重要性——给它更多“思考时间”会带来更好的结果。
来源：OpenAI
再看另一张图——见下方。Deep Research 在估计经济价值较低的任务上表现最佳，而随着任务潜在的财务影响增大，其准确率会下降。这表明经济价值更高的任务往往更复杂，或依赖不易在网上获得的专有知识。
来源：OpenAI
下图对比了通过率与人类完成各任务所需的估计小时数。模型在对人类而言需 1–3 小时的任务上表现最佳，但其性能并未随时间增加而持续下降——这表明 AI 觉得困难的事并不总和人类觉得耗时的事一致。
来源：OpenAI
如何使用 Deep Research：实用示例
在本文发布时，Deep Research 仅向 Pro 用户开放，每月限 100 次查询，但 OpenAI 计划很快向 Plus、Team 和 Enterprise 用户扩展。
在我看来，Deep Research 仍处于早期阶段。尽管前景可观，但下面的第一个示例凸显了它的许多问题；不过，第二个示例又展示了它的巨大潜力。
示例 1：AI 生态系统
我总是难以全面了解不同公司的 AI 生态系统。以 Google 为例——他们有 Gemini 2.0 Flash、Imagen 3、Veo 2、Project Mariner、Project Astra……我还漏了什么？为了最终获得清晰的全景图，我向 OpenAI 的 Deep Research 提出了这个请求。
请注意，模型并未直接开始研究，而是先提出澄清问题。在我所有测试中，无论我最初的提示词多么具体，模型总会尝试缩小研究范围。在我看来，这很有用，因为我常以为自己的提示足够清晰具体，但通常仍能从进一步的优化中受益。
我回答了模型的问题，随后研究开始。浏览器右侧打开了一个面板，实时显示代理的活动和来源：