Udgivet den: 19. april 2025 / Opdateret den: 19. april 2025 – Forfatter: Konrad Wolfenstein
AI Open Source-alternativ: Together AI udgiver open source-løsningen “Open Deep Research” til detaljeret webforskning – Billede: Xpert.Digital
Struktureret, open source, kraftfuld: Sammen tager AI dybdegående forskning til et nyt niveau
Together AI introducerer “Open Deep Research”: Et open source-alternativ til OpenAIs Deep Research
Den 16. april 2025 udgav Together AI "Open Deep Research" - et open source-system til struktureret webforskning designet som et alternativ til OpenAIs Deep Research. Værktøjet kan besvare komplekse spørgsmål gennem webforskning i flere trin og generere omfattende, kildebaserede rapporter. I modsætning til proprietære løsninger gør Together AI den komplette kode, datasættene og systemarkitekturen offentligt tilgængelig for at fremme fællesskabsbaseret udvikling.
Relateret til dette:
Arkitekturen bag Open Deep Research
Open Deep Research bruger en firetrins arbejdsgang, der efterligner den menneskelige forskningsproces. Processen begynder med et planlægningstrin, hvor en AI-model genererer en liste over relevante søgeforespørgsler. Derefter indsamles tilsvarende indhold fra nettet ved hjælp af Tavily-søge-API'en. En evalueringsmodel kontrollerer derefter for eventuelle resterende videnshuller, før en skrivemodel endelig genererer den endelige rapport.
AI's unikke tilgang ligger i brugen af forskellige specialiserede modeller til forskellige opgaver i arbejdsgangen – en såkaldt "Mixture-of-Agents" (MoA) tilgang. Følgende AI-modeller bruges til implementeringen:
- Planlægger: Qwen2.5-72B-Instruct-Turbo fra Alibaba til planlægnings- og ræsonnementsevner
- Resumé: Llama-3.3-70B-Instruct-Turbo af Meta til opsummering af langt webindhold
- JSON-udtrækker: Llama-3.1-70B-Instruct-Turbo fra Meta til struktureret informationsudtrækning
- Rapportopretter: DeepSeek-V3 til aggregering af information og oprettelse af forskningsrapporter af høj kvalitet
For at håndtere længere tekster opsummerer opsummeringsmodellen kompakt indholdet og vurderer dets relevans. Dette forhindrer, at sprogmodellernes kontekstvinduer overfyldes.
Teknisk stak og integration
Modellerne leveres via Together AI's proprietære cloudplatform. Websøgning og indholdshentning håndteres af Tavily, med den særlige fordel, at både søgning og hentning af webstedsindhold kan udføres i et enkelt API-kald.
Behandlingstiden for en typisk anmodning er mellem 2 og 5 minutter, afhængigt af anmodningens kompleksitet og antallet af evaluerings- og refleksionsløkker.
Multimodale output og udvidede funktioner
Open Deep Research er ikke begrænset til tekstoutput, men tilbyder en række multimodale funktioner:
- HTML-output: Resultaterne præsenteres i et struktureret HTML-format, der kombinerer tekst og visuelle elementer
- Diagrammer: Automatisk oprettelse af diagrammer via Mermaid JS JavaScript-biblioteket
- Forsidebilleder: Generering af tematisk passende billeder ved hjælp af Flux-modellerne fra Black Forest Labs
- Podcast-funktion: Automatisk oprettelse af en kompakt lydpodcast, der opsummerer rapportens hovedpunkter ved hjælp af Cartesias Sonic-talemodeller
Disse multimodale outputformater muliggør en mere omfattende og tiltalende præsentation af den undersøgte information.
Præstationsevaluering og benchmarks
Together AI evaluerede Open Deep Researchs præstation ved hjælp af tre populære benchmarks:
- RAMMER: Test for flertrins logisk ræsonnement
- SimpleQA: Test af faktuel viden
- HotPotQA: Vurdering af multi-hop-spørgsmål, der kræver flere trin i ræsonnementet
I alle tre benchmarks klarede Open Deep Research sig betydeligt bedre end basale modeller uden søgeværktøjer. Sammenlignet med lignende åbne systemer som LangChains Open Deep Research (LDR) og Hugging Faces SmolAgents (SearchCodeAgent), opnåede systemet generelt også en højere responskvalitet.
En særlig vigtig konklusion fra evalueringen var, at flere på hinanden følgende søgetrin forbedrede svarenes kvalitet betydeligt. Når søgningen blev begrænset til én enkelt søgning, faldt nøjagtigheden mærkbart.
Kendte begrænsninger og udfordringer
Trods fremskridtene påpeger Together AI flere begrænsninger ved sit system:
- Fejludbredelse: Fejl i de tidlige trin i arbejdsgangen kan sprede sig gennem hele pipelinen og føre til fejlagtige slutresultater
- Hallucinationer: Hallucinationer kan forekomme ved fortolkning af kilder, især med tvetydig eller modstridende information
- Strukturelle bias: Bias i træningsdata eller søgeindekser kan påvirke resultaterne
- Aktualitet: Emner, der kræver høj aktualitet eller har lav webdækning, udgør en særlig udfordring
- Caching-problem: Implementeret caching kan reducere omkostningerne, men uden tilstrækkelig udløbstid fører det til levering af forældede oplysninger
Disse begrænsninger er typiske for nuværende AI-forskningsværktøjer og repræsenterer vigtige udfordringer for fremtidige forbedringer.
Relateret til dette:
Open Deep Research sammenlignet med andre tilbud
Udviklingen af dybdegående forskningskapaciteter er i øjeblikket en trend blandt AI-udbydere. OpenAI introducerede oprindeligt konceptet, men Google, Grok og Perplexity tilbyder nu også lignende funktioner. Anthropic introducerede for nylig også en agentbaseret forskningsfunktion til sin Claude-model.
Hugging Face havde allerede præsenteret et open source-alternativ kort efter OpenAIs udgivelse, men udviklede det ikke yderligere. Perplexity, en AI-søgemaskine, tilbyder et gratis alternativ til ChatGPTs Deep Research, der giver brugerne mulighed for at udføre op til fem "dybe research"-søgninger om dagen.
I modsætning til lukkede, betalte systemer som OpenAIs Deep Research (som er en del af ChatGPT Pro-abonnementet for omkring $200 om måneden), tilbyder Together AI et fuldstændig åbent og open source-alternativ.
Fokus på fællesskabet og skalerbarhed
Together AI har bevidst designet Open Deep Research som en åben platform, der kan udvides og forbedres af fællesskabet. Arkitekturen er designet til at være let udvidelig – udviklere kan integrere deres egne modeller, tilpasse datakilder eller tilføje nye outputformater.
Den komplette kode og dokumentation er blevet offentliggjort på GitHub, sammen med et evalueringsdatasæt og detaljerede forklaringer på virksomhedens blog. Sammen ser AI sit system som et fundament for yderligere eksperimenter og forbedringer fra open source-fællesskabet.
Denne åbenhed står i kontrast til de lukkede tilgange hos andre store AI-virksomheder og afspejler Together AI's bredere engagement i open source AI, hvilket også er kommet til udtryk i tidligere projekter, såsom den nylige udgivelse af en open source-kodningsmodel på niveau med o3-mini, men med betydeligt færre parametre end dens lukkede konkurrenter.
Betydning for AI-forskningslandskabet
Udgivelsen af Open Deep Research fra Together AI markerer et vigtigt skridt i demokratiseringen af avancerede AI-forskningsværktøjer. Ved at kombinere kraftfulde AI-modeller, struktureret webforskning i flere faser og multimodale outputformater tilbyder systemet et lovende alternativ til proprietære løsninger.
Den åbne tilgang giver udviklere og forskere mulighed for at tilpasse, udvide og forbedre systemet til deres behov. På lang sigt kan dette føre til mere innovative og forskelligartede anvendelser, end det ville være muligt med lukkede systemer.
Selvom der fortsat er udfordringer, især med hensyn til hallucinationer, bias og aktualitet, viser Together AI's Open Deep Research, at effektive AI-forskningsværktøjer ikke behøver at være begrænset til proprietære platforme. Initiativet fremmer ikke kun åben adgang til avanceret AI-teknologi, men bidrager også til gennemsigtighed og reproducerbarhed – afgørende faktorer for at opbygge tillid til AI-drevet forskning.
Relateret til dette:
Din ekspert i AI-transformation, AI-integration og AI-platformbranchen
☑️ Vores forretningssprog er engelsk eller tysk
☑️ NYT: Korrespondance på dit modersmål!
Konrad Wolfenstein
Jeg og mit team er glade for at stå til rådighed for dig som din personlige rådgiver.
Du kan kontakte mig ved at udfylde kontaktformularen her eller blot ringe til mig på +49 89 89 674 804 ( München) . Min e-mailadresse er: [email protected]
Jeg glæder mig til vores fælles projekt.
