Alternatywa dla otwartego kodu źródłowego AI: Together AI udostępnia otwarte oprogramowanie „Open Deep Research” umożliwiające szczegółowe badania w sieci

Opublikowano: 19 kwietnia 2025 r. / Zaktualizowano: 19 kwietnia 2025 r. – Autor: Konrad Wolfenstein

Alternatywa dla otwartego kodu źródłowego AI: Together AI udostępnia otwarte oprogramowanie „Open Deep Research” do szczegółowych badań internetowych – Zdjęcie: Xpert.Digital

Ustrukturyzowane, oparte na otwartym kodzie źródłowym, wydajne: Together AI przenosi dogłębne badania na nowy poziom

Together AI wprowadza „Open Deep Research”: alternatywę open source dla Deep Research firmy OpenAI

16 kwietnia 2025 roku firma Together AI opublikowała „Open Deep Research” – system open source do ustrukturyzowanych badań internetowych, zaprojektowany jako alternatywa dla Deep Research firmy OpenAI. Narzędzie to pozwala odpowiadać na złożone pytania poprzez wieloetapowe badania internetowe i generować kompleksowe raporty oparte na źródłach. W przeciwieństwie do rozwiązań zastrzeżonych, Together AI udostępnia publicznie cały kod, zestawy danych i architekturę systemu, aby zachęcić społeczność do rozwoju.

Nadaje się do:

OpenAI Deep Research: Użytkownikom zaleca się zastosowanie podejścia hybrydowego: AI Deep Research jako wstępnego narzędzia przesiewowego

Architektura Otwartych Głębokich Badań

Open Deep Research wykorzystuje czteroetapowy przepływ pracy, który naśladuje ludzki proces badawczy. Proces rozpoczyna się od etapu planowania, w którym model sztucznej inteligencji generuje listę trafnych zapytań wyszukiwania. Następnie odpowiadająca im treść jest pobierana z internetu za pomocą interfejsu API wyszukiwania Tavily. Model ewaluacyjny sprawdza następnie wszelkie pozostałe luki w wiedzy, zanim model pisemny wygeneruje raport końcowy.

Unikalne podejście Together AI polega na wykorzystaniu różnych wyspecjalizowanych modeli do różnych zadań w ramach przepływu pracy – tzw. podejścia „Mixture-of-Agents” (MoA). Do wdrożenia wykorzystywane są następujące modele AI:

Planer: Qwen2.5-72B-Instruct-Turbo od Alibaba do nauki planowania i rozumowania
Podsumowanie: Llama-3.3-70B-Instruct-Turbo firmy Meta do podsumowywania długich treści internetowych
Ekstraktor JSON: Llama-3.1-70B-Instruct-Turbo z Meta do ekstrakcji ustrukturyzowanych informacji
Twórca raportów: DeepSeek-V3 do agregowania informacji i tworzenia wysokiej jakości raportów badawczych

Aby poradzić sobie z dłuższymi tekstami, model podsumowania zwięźle podsumowuje treść i ocenia jej trafność. Zapobiega to przepełnieniu okien kontekstowych modeli językowych.

Stos techniczny i integracja

Modele są udostępniane za pośrednictwem autorskiej platformy chmurowej Together AI. Wyszukiwaniem w sieci i pobieraniem treści zajmuje się Tavily, a szczególną zaletą jest to, że zarówno wyszukiwanie, jak i pobieranie treści witryny można wykonać w ramach jednego wywołania API.

Czas przetwarzania typowego żądania wynosi od 2 do 5 minut, w zależności od jego złożoności oraz liczby pętli oceny i refleksji.

Wyjścia multimodalne i funkcje rozszerzone

Open Deep Research nie ogranicza się wyłącznie do wyników tekstowych, ale oferuje szereg funkcji multimodalnych:

Dane wyjściowe HTML: Wyniki prezentowane są w ustrukturyzowanym formacie HTML, który łączy tekst i elementy wizualne
Wykresy: automatyczne tworzenie wykresów za pomocą biblioteki JavaScript Mermaid JS
Zdjęcia na okładkach: Generowanie obrazów o odpowiedniej tematyce przy użyciu modeli Flux firmy Black Forest Labs
Funkcja podcastu: automatyczne tworzenie kompaktowego podcastu audio podsumowującego najważniejsze punkty raportu przy użyciu modeli mowy Sonic firmy Cartesia

Te multimodalne formaty wyjściowe pozwalają na bardziej wszechstronną i atrakcyjną prezentację uzyskanych wyników badań.

Ocena wydajności i testy porównawcze

Firma Together AI oceniła wydajność Open Deep Research, korzystając z trzech popularnych testów porównawczych:

RAMKI: Test sprawdzający wieloetapowe rozumowanie logiczne
SimpleQA: Testowanie wiedzy faktograficznej
HotPotQA: Ocena pytań wieloskokowych, które wymagają wielu etapów rozumowania

We wszystkich trzech testach porównawczych Open Deep Research wypadł znacznie lepiej niż modele podstawowe bez narzędzi wyszukiwania. W porównaniu z podobnymi systemami otwartymi, takimi jak Open Deep Research (LDR) firmy LangChain i Hugging Faces SmolAgents (SearchCodeAgent), system osiągnął również generalnie wyższą jakość odpowiedzi.

Szczególnie ważnym odkryciem ewaluacji było to, że wielokrotne, następujące po sobie etapy wyszukiwania znacząco poprawiają jakość odpowiedzi. Po ograniczeniu do pojedynczego wyszukiwania, dokładność odpowiedzi zauważalnie spadła.

Znane ograniczenia i wyzwania

Mimo postępu, Together AI wskazuje na kilka ograniczeń swojego systemu:

Propagacja błędów: Błędy na wczesnych etapach przepływu pracy mogą rozprzestrzeniać się na cały proces i prowadzić do błędnych wyników końcowych
Halucynacje: Halucynacje mogą wystąpić podczas interpretacji źródeł, zwłaszcza w przypadku informacji niejednoznacznych lub sprzecznych
Błędy strukturalne: Błędy w danych szkoleniowych lub indeksach wyszukiwania mogą wpływać na wyniki
Aktualność: Tematy wymagające dużej aktualności lub o niewielkim zasięgu w Internecie stanowią szczególne wyzwanie
Problem buforowania: Wdrożenie buforowania może obniżyć koszty, jednak bez odpowiedniego czasu wygaśnięcia prowadzi do dostarczania nieaktualnych informacji

Ograniczenia te są typowe dla obecnych narzędzi badawczych w dziedzinie sztucznej inteligencji i stanowią poważne wyzwania dla przyszłych udoskonaleń.

Nadaje się do:

Gemini Deep Research 2.0 – aktualizacja modelu Google AI – informacje o Gemini 2.0 Flash, Flash Thinking i Pro (wersja eksperymentalna)

Open Deep Research w porównaniu z innymi ofertami

Rozwój możliwości dogłębnych badań jest obecnie trendem wśród dostawców sztucznej inteligencji. OpenAI pierwotnie wprowadził tę koncepcję, ale Google, Grok i Perplexity również oferują podobne funkcje. Firma Anthropic niedawno wprowadziła również funkcję badań opartych na agentach dla swojego modelu Claude.

Hugging Face zaprezentowało alternatywę open source wkrótce po premierze OpenAI, ale nie rozwijało jej dalej. Perplexity, wyszukiwarka oparta na sztucznej inteligencji, oferuje darmową alternatywę dla Deep Research ChatGPT, umożliwiając użytkownikom przeprowadzanie do pięciu wyszukiwań „głębokiego researchu” dziennie.

W przeciwieństwie do zamkniętych, płatnych systemów, takich jak Deep Research firmy OpenAI (który jest częścią subskrypcji ChatGPT Pro w cenie około 200 dolarów miesięcznie), Together AI oferuje całkowicie otwartą alternatywę opartą na otwartym kodzie źródłowym.

Skupienie na społeczności i skalowalność

Firma Together AI celowo zaprojektowała Open Deep Research jako otwartą platformę, którą społeczność może rozszerzać i ulepszać. Architektura została zaprojektowana z myślą o łatwej rozbudowie – programiści mogą integrować własne modele, dostosowywać źródła danych lub dodawać nowe formaty wyjściowe.

Pełny kod i dokumentacja zostały opublikowane w serwisie GitHub, wraz z zestawem danych ewaluacyjnych i szczegółowymi wyjaśnieniami na blogu firmy. Together AI postrzega swój system jako fundament dla dalszych eksperymentów i ulepszeń ze strony społeczności open source.

Otwartość ta kontrastuje z zamkniętym podejściem innych dużych firm z branży sztucznej inteligencji i odzwierciedla szersze zaangażowanie Together AI w rozwiązania typu open source w dziedzinie sztucznej inteligencji, co znalazło wyraz również w poprzednich projektach, takich jak niedawna premiera modelu kodowania typu open source na poziomie o3-mini, ale ze znacznie mniejszą liczbą parametrów niż w przypadku zamkniętych rozwiązań konkurencji.

Znaczenie dla krajobrazu badań nad sztuczną inteligencją

Premiera Open Deep Research firmy Together AI to ważny krok w kierunku demokratyzacji zaawansowanych narzędzi badawczych AI. Łącząc zaawansowane modele AI, ustrukturyzowane, wieloetapowe badania internetowe i multimodalne formaty wyników, system oferuje obiecującą alternatywę dla rozwiązań zastrzeżonych.

Otwarte podejście pozwala programistom i badaczom dostosowywać, rozszerzać i ulepszać system do swoich potrzeb. W dłuższej perspektywie może to prowadzić do powstania bardziej innowacyjnych i zróżnicowanych aplikacji niż w przypadku systemów zamkniętych.

Chociaż wyzwania wciąż istnieją, zwłaszcza w zakresie halucynacji, stronniczości i terminowości, inicjatywa Open Deep Research projektu Together AI pokazuje, że potężne narzędzia badawcze w dziedzinie sztucznej inteligencji nie muszą ograniczać się do zastrzeżonych platform. Inicjatywa ta nie tylko promuje otwarty dostęp do zaawansowanych technologii sztucznej inteligencji, ale także przyczynia się do przejrzystości i powtarzalności – kluczowych czynników budowania zaufania do badań opartych na sztucznej inteligencji.

Nadaje się do: