KI Open Source Alternative: Tillsammans publicerar AI källöppen "Open Deep Research" för detaljerad vävningsforskning

Publicerad: 19 april 2025 / UPDATE Från: 19 april 2025 - Författare: Konrad Wolfenstein

KI Open Source Alternative: Tillsammans publicerar AI källöppen "Öppen djup forskning" för detaljerad webbforskning-bild: Xpert.Digital

Strukturerad, källa, kraftfull: tillsammans AI ger djup forskning till en ny nivå

Tillsammans introducerar AI "Open Deep Research": ett open source -alternativ till OpenAis Deep Research

Den 16 april 2025 släppte AI tillsammans "Open Deep Research" - ett källa -öppet system för strukturerad webbforskning, som designades som ett alternativ till OpenAis Deep Research. Verktyget kan svara på komplexa frågor genom flera sceners forskning och skapa omfattande, källbaserade rapporter. Till skillnad från egna lösningar tillhandahåller AI tillsammans fullständigt kod, dataposter och systemarkitektur för att främja samhällsbaserad vidareutveckling.

Lämplig för detta:

OpenAI Deep Research: För användare rekommenderas en hybridmetod: AI Deep Research som ett första screeningverktyg

Arkitekturen för öppen djup forskning

Öppen djup forskning arbetar med ett fyra -scen -arbetsflöde som imiterar den mänskliga forskningsprocessen. Processen börjar med ett planeringssteg där en AI -modell skapar en lista över relevanta sökfrågor. Lämpligt innehåll från webben samlas sedan in via Tavily Search API. En utvärderingsmodell kontrollerar sedan om det finns några kunskapsgap innan en skrivmodell äntligen skapar den slutliga rapporten.

Det speciella tillvägagångssättet för tillsammans AI ligger i användningen av olika specialiserade modeller för olika uppgifter i arbetsflödet-a så kallade ”Mixture-of Agent” (MOA) -metoden. Följande AI -modeller används för implementering:

Planerare: QWEN2.5-72B Instruera Turbo från Alibaba för planering och resonemangsfärdigheter
Sammanfattning: Llama 3.3-70B Instruct Turbo från Meta för att sammanfatta långt webbinnehåll
JSON Extractor: Llama 3.1-70B Instruct Turbo från Meta för strukturerad informationsuttag
Rapporteringstillverkare: Deepseek-V3 för aggregering av information och skapande av högkvalitativa forskningsrapporter

För att kunna hantera längre texter sammanfattar den sammanfattande modellen innehållet kompakt och utvärderar dess relevans. Detta förhindrar kontextfönstren för röstmodellerna från att överfyllda.

Teknisk stack och integration

Som teknisk grund tillhandahålls modellerna via sin egen AI -molnplattform. Webbsöknings- och innehållsfrågan sker via tavily, varvid en viss fördel är att både sökningen och sökningen på webbplatsinnehållet kan kallas i ett enda API -samtal.

Bearbetningstiden för en typisk begäran är mellan 2 och 5 minuter, beroende på komplexiteten i begäran och antalet utvärderings- och reflektionsslingor.

Multimodala utgåvor och utökade funktioner

Öppen djup forskning är inte bara begränsad till textutgåvor, utan erbjuder också ett antal multimodala funktioner:

HTML -utgåva: Resultaten presenteras i ett strukturerat HTML -format, texten och visuella element kombineras
Diagram: Automatisk skapande av diagram via JavaScript Library Mermaid JS
Omslagsbilder: Generering av tematiskt lämpliga bilder med hjälp av Black Forest Labs flödesmodeller
Podcast -funktion: Automatisk skapande av en kompakt ljudpodcast som sammanfattar rapportens huvudpunkter med hjälp av Sonic Language -modellerna från Cartesia

Dessa multimodala utgångsformat möjliggör en mer omfattande och tilltalande presentation av den undersökta informationen.

Prestationsutvärdering och riktmärken

Tillsammans utvärderade AI prestanda för öppen djup forskning med hjälp av tre populära riktmärken:

Ramar: Test för logiska slutsatser om flera scener
SimpleQA: Undersökning av faktisk kunskap
HotPotQA: Utvärdering av flera hop-frågor som kräver flera slutsatser

I alla tre riktmärken stänger Open Deep Research mycket bättre än grundmodeller utan sökverktyg. Jämfört med liknande öppna system som Langchains Open Deep Research (LDR) och kramar ansikten Smolagen (SearchCodeAgent) uppnådde systemet vanligtvis högre svarskvalitet.

Ett särskilt viktigt resultat av utvärderingen var insikten att flera på varandra följande forskningssteg avsevärt förbättrar svarskvaliteten. När det är begränsat till en enda sökning, sjönk noggrannheten märkbart.

Kända begränsningar och utmaningar

Trots framstegen indikerar AI tillsammans olika begränsningar för dess system:

Fel fortsättning: Fel i tidiga steg i arbetsflödet kan fortsätta genom hela rörledningen och leda till felaktiga slutresultat
Hallucinationer: Hallucinationer kan uppstå när man tolkar källor, särskilt med tvetydig eller motstridig information
Strukturella snedvridningar: Förspänning i utbildningsdata eller sökindex kan påverka resultaten
Topularity: Ämnen med höga upp -datumbehov eller låg webbomslag är en speciell utmaning
Cachingproblem: Den implementerade cachningen kan minska kostnaderna, men leder till leverans av föråldrad information utan lämplig utgångstid

Dessa begränsningar är typiska för aktuella AI -forskningsverktyg och representerar viktiga utmaningar för framtida förbättringar.

Lämplig för detta:

Gemini Deep Research 2.0-Google Ki-modelluppgraderingsinformation om Gemini 2.0 Flash, Flash Thinking och Pro (Experimental)

Öppna djup forskning jämfört med andra erbjudanden

Utvecklingen av djupa forskningsfunktioner är för närvarande en trend bland AI -leverantörer. OpenAAI introducerade ursprungligen konceptet, men nu erbjuder Google, Grok och Perplexity också liknande funktioner. Anthropic presenterade nyligen också en agentbaserad forskningsfunktion för sin Claude-modell.

Kramande ansikte hade redan presenterat ett källa -öppet alternativ strax efter Openais publicering, men utvecklade inte det ytterligare. Som AI -sökmotor erbjuder Perplexity ett gratis alternativ till chatgpts djup forskning, varigenom användare kan genomföra upp till fem sökningar med "djup forskning" varje dag.

I motsats till stängda, betalda system som OpenAis Deep Research (den del av ChatGPT Pro-prenumerationen är för cirka $ 200 per månad), erbjuder AI tillsammans ett helt öppet och källöppningsalternativ.

Gemenskapens fokus och utbyggbarhet

Tillsammans är AI medvetet utformad öppen djup forskning som en öppen plattform som kan utökas och förbättras av samhället. Arkitekturen utformades så att den enkelt kan utökas - utvecklare kan integrera sina egna modeller, justera datakällor eller lägga till nya utgångsformat.

Den kompletta koden och dokumentationen publicerades på GitHub, tillsammans med en utvärderingsdatauppsättning och detaljerade förklaringar i företagets blogg. Tillsammans ser AI sitt system som grund för ytterligare experiment och förbättringar från open source -samhället.

Denna öppenhet står i motsats till de stängda tillvägagångssätten för andra stora AI-företag och återspeglar AIS bredare engagemang för öppen källkod AI, som också uttrycktes i tidigare projekt, såsom den senaste publiceringen av en källöppen-kodningsmodell på nivån för O3-Mini, men med betydligt färre parametrar än den stängda konkurrensen.

Betydelse för AI -forskningslandskapet

Publiceringen av öppen djup forskning av tillsammans AI markerar ett viktigt steg i demokratisering av avancerade AI -forskningsverktyg. Med kombinationen av kraftfulla AI-modeller, strukturerad webbundersökning och multimodala utgångsformat erbjuder systemet ett lovande alternativ till egna lösningar.

Den öppna tillvägagångssättet gör det möjligt för utvecklare och forskare att anpassa, utöka och förbättra systemet efter deras behov. Detta kan leda till mer innovativa och olika applikationer på lång sikt än vad som skulle vara möjligt med stängda system.

Även om det fortfarande finns utmaningar, särskilt när det gäller hallucinationer, partiskhet och aktualitet, visar AIS -öppen djup djup djup forskning att kraftfulla AI -forskningsverktyg inte behöver begränsas till egna plattformar. Initiativet främjar inte bara öppen tillgång till avancerad AI-teknik, utan bidrar också till transparens och spårbarhet-viktiga faktorer för förtroende för AI-stödda forskningsresultat.

Lämplig för detta: