¿Por qué las herramientas de investigación profundas existentes se quedan cortas?
Las herramientas de investigación profunda (DRTS) como Gemini Deep Research, Perplexity, OpenAI’s Deep Research y Grok DeepSearch dependen de flujos de trabajo rígidos vinculados a una LLM fija. Si aceptablemente son efectivos, imponen limitaciones estrictas: los usuarios no pueden puntualizar estrategias personalizadas, modelos de intercambio o hacer cumplir protocolos específicos de dominio.
El prospección de NVIDIA identifica tres problemas centrales:
- Los usuarios no pueden hacer cumplir las fuentes preferidas, las reglas de subsistencia o el control de costos.
- Las estrategias de investigación especializadas para dominios como las finanzas, la ley o la atención médica no están respaldadas.
- Los DRT están vinculados a modelos individuales, evitando un emparejamiento flexible del mejor LLM con la mejor organización.
Estos problemas restringen la asimilación en aplicaciones empresariales y científicas de stop valencia.
¿Qué es Universal Deep Research (UDR)?
Universal Deep Research (UDR) es un sistema de código extenso (en panorámica previa) que desacopla Logística del maniquí. Permite a los usuarios diseñar, editar y ejecutar sus propios flujos de trabajo de investigación profundos sin retornar a capacitar ni ajustar ningún LLM.
A diferencia de las herramientas existentes, UDR funciona en el nivel de orquestación del sistema:
- Convierte estrategias de investigación definidas por el sucesor en código ejecutable.
- Ejecuta flujos de trabajo en un entorno de arena para la seguridad.
- Comercio a la LLM como una utilidad para razonamiento localizado (extracto, clasificación, ascendencia) en ocupación de darle el control total.
Esta edificio hace que UDR sea somero, flexible y descreído del maniquí.
¿Cómo procesa UDR y ejecuta estrategias de investigación?
UDR toma dos entradas: el organización de investigación (flujo de trabajo paso a paso) y el Investigación Investigador (requisitos de tema y salida).
- Procesamiento de organización
- Las estrategias del lengua natural se compilan en el código de Python con estructura forzada.
- Las variables almacenan resultados intermedios, evitando el desbordamiento de la ventana de contexto.
- Todas las funciones son deterministas y transparentes.
- Ejecución de la organización
- La método de control se ejecuta en CPU; Solo las tareas de razonamiento llaman al LLM.
- Se emiten notificaciones a través de
yielddeclaraciones, manteniendo a los usuarios actualizados en tiempo actual. - Los informes se ensamblan a partir de estados variables almacenados, lo que garantiza la trazabilidad.
Esta separación de Orquestación frente a razonamiento Mejoría la eficiencia y reduce el costo de la GPU.
¿Qué estrategias de ejemplo están disponibles?
Nvidia envía UDR con tres estrategias de plantilla:
- Reducido – Genere algunas consultas de búsqueda, recopile resultados y compile un referencia conciso.
- Expansivo – Explore múltiples temas en paralelo para una cobertura más amplia.
- Intensivo – Refina las consultas iterativamente utilizando subcontextos en crecimiento, ideal para inmersiones profundas.
Estos sirven como puntos de partida, pero el situación permite a los usuarios codificar flujos de trabajo completamente personalizados.
¿Qué expectativas genera UDR?
UDR produce dos expectativas esencia:
- Notificaciones estructuradas – Actualizaciones de progreso (con tipo, marca de tiempo y descripción) para la transparencia.
- Crónica final -Un documento de investigación con conformidad con afectado, completo con secciones, tablas y referencias.
Este diseño ofrece a los usuarios a los dos auditorabilidad y reproducibilidada diferencia de los sistemas de agente opaco.
¿Dónde se puede aplicar UDR?
El diseño de uso caudillo de UDR lo hace adaptable a través de dominios:
- Descubrimiento verificado: revisiones de humanidades estructurada.
- Diligencia debida empresarial: subsistencia contra presentaciones y conjuntos de datos.
- Inteligencia de negocios: tuberías de prospección de mercado.
- Startups: Asistentes personalizados construidos sin retornar a capacitar LLM.
Separando Comicios del maniquí de la método de investigaciónUDR apoya la innovación en ambas dimensiones.
Sinopsis
Universal Deep Research indica un cambio de centrado en el maniquí a centrado en el sistema Agentes de IA. Al dar a los usuarios control directo sobre los flujos de trabajo, NVIDIA permite sistemas de investigación personalizables, eficientes y auditables.
Para nuevas empresas y empresas, UDR proporciona una saco para construir asistentes específicos de dominio sin el costo de la reentrenamiento maniquí, abriendo nuevas oportunidades para la innovación en todas las industrias.
Mira el PAPEL, PROYECTO y CÓDIGO. No dude en ver nuestro Página de Github para tutoriales, códigos y cuadernos. Por otra parte, siéntete disponible de seguirnos Gorjeo Y no olvides unirte a nuestro Subreddit de 100k+ ml y suscribirse a Nuestro boletín.
Asif Razzaq es el CEO de MarktechPost Media Inc .. Como patrón e ingeniero fantasioso, ASIF se compromete a explotar el potencial de la inteligencia fabricado para el aceptablemente social. Su esfuerzo más nuevo es el tiro de una plataforma de medios de inteligencia fabricado, MarktechPost, que se destaca por su cobertura profunda de noticiero de estudios espontáneo y de estudios profundo que es técnicamente sólido y fácilmente comprensible por una audiencia amplia. La plataforma cuenta con más de 2 millones de vistas mensuales, ilustrando su popularidad entre el conocido.