OpenAI殺手級功能上線，國內大模型能否硬剛？

ChatGPT Pro有點兒太貴，暫時沒買，但晚上下班回家看了下OpenAI發布會和推特上的一些分享，可以了解下實現這個功能需要哪些技術。

首先看一下這個功能的輸入輸出。

輸入：一般來說是需要深度分析的問題，然后要求輸出一個報告。

輸出：一份完整的報告，特點是Fully cited document，即「全部引用的文檔」。

如果不能理解這一點兒，可以看下面這個例子，Deep Research功能會大量的從互聯網中引用別人的說法，而不是生編硬造。

簡單來說，就是「口說有憑」。

你可以通過這個鏈接來訪問這個完全的Deep Research過程（請確保你能訪問ChatGPT）。

https://chatgpt.com/share/67a17492-d304-8007-aef0-20a2ac406d88

除了輸出和輸出，這個功能還會追問和確認一遍需要研究的內容，比如下面這種，因為每一次Deep Research都需要花費5-30分鐘不等，多花點時間確認一下可以節省時間和資源。

從它的運行原理上來看，包含的技術可以分解為：

Reasoning 推理大模型

這個對應了OpenAI的o系列大模型，對一個復雜問題可以拆解和多步推理，但DeepSeek R1出現后，推理大模型領域注定會百花齊放，這個算不上什么優勢。

結論：DeepSeek R1完全具備類似的功能。

Web Browsing 聯網能力

首先傳統大模型本身的數據肯定會停留在某個時間點，所以最新的消息肯定得從互聯網得知，其次「citation」索引這種東西肯定得經過驗證才敢放在文檔上，所以聯網能力也是必不可少的，o3-mini系列的聯網能力不錯可用。

但具備聯網能力的大模型真不少，DeepSeek的R1和聯網甚至在OpenAI前面可以同時激活。

Qwen系列的聯網功能也早早實現了。

甚至知乎自己的AI，知乎直答，也很早就具備了聯網搜索的能力。

結論：國內外相關技術都很成熟。

超長上下文能力

這個他們發布會沒提，但50000多字的報告生成，大概率是需要一個超長的上下文空間將歷史信息都放一起，分段的話嚴重的造成思維的不連貫。

前兩天讀了MiniMax-01系列的論文，它的一個特性就是超長上下文能力，并且強調這個就是未來Agent實現的關鍵要素之一。

你可以看到MiniMax做的大海撈針「Needle In A Haystack Test」的實驗，在400萬token長度的上下文里面可以實現無損retrieve。

并且2024年很早的時候，Kimi和Qwen就在嘗試百萬token級別的context長度。

我估計ChatGPT的Deep Research起碼得到了百萬級別，甚至不排除更長的上下文。

結論：屬于工程能力，可以被解決且已經有被解決的現實案例。

外部工具整合，比如Python的data analysis

這個功能其實2023年ChatGPT就做出來的功能，也就是ChatGPT內部有個沙盒程序在跑代碼，不像別的大模型只能生成代碼讓你自己跑，ChatGPT直接可以跑一些簡單的代碼。

該功能也利用了這個功能，對于一些圖表，它可以直接調用Python能力生成。

Claude有類似的功能，可以直接渲染Html文件，但是在別的大模型上沒怎么看到過。

對于沒有代碼知識但又想用代碼生成一些圖表的人來說這就是神器，理論上不是很復雜，但是兼容這個功能還不太多。

結論：已經實現了的案例不多，但沒有多大的技術鴻溝，是可以攻克的部分。

應用領域

毫無疑問這個功能非常有用，特別是對于需要調研報告的行業，結論或者某一句話必須得有出處，這個出處就是citation。

最常見的領域就是寫論文，下圖里面藍色的地方都是引用的參考文獻。

總結來說，這個功能的確很有用，但是應用范圍并不廣泛，會集中在需要翔實報告的領域，比如商業，科研等。它的實現是多種已有技術的整合，單個技術上不存在難點，相信國內很快會有類似的產品出現，甚至會有更強的性能。