Microsoft 正在为其 AI 聊天助手应用 Microsoft 365 Copilot 引入一款 "深度研究" AI 工具。
最近,多个聊天机器人都推出了深度研究代理,包括 OpenAI 的 ChatGPT、Google 的 Gemini 和 xAI 的 Grok。这些工具背后的支撑是所谓的推理 AI 模型,它们具备思考问题和自我事实核查的能力——这些能力对于开展深入研究而言至关重要。
Microsoft 推出的两个版本分别名为 Researcher 和 Analyst。
Researcher 结合了 OpenAI 的深度研究模型 (该模型也为 OpenAI 自家的 ChatGPT 深度研究工具提供支持) 以及 "高级编排" 和 "深度搜索功能"。Microsoft 表示,Researcher 可以执行多种分析任务,包括制定市场进入策略和为客户创建季度报告。
至于 Analyst,它基于 OpenAI 的 o3-mini 推理模型构建,Microsoft 称其 "针对高级数据分析进行了优化"。Analyst 通过迭代方式处理问题,通过多个步骤来完善其 "思考" 过程,并为查询提供详细答案。Microsoft 还表示,Analyst 可以运行 Python 编程语言来处理复杂的数据查询,并能够展示其 "工作" 过程以供检查。
与竞争对手相比,Microsoft 的深度研究工具的独特之处在于它们不仅能访问互联网数据,还能访问工作数据。例如,Researcher 可以通过第三方数据连接器从 Confluence、ServiceNow 和 Salesforce 等 AI "代理"、工具和应用程序中获取数据。
当然,真正的挑战在于确保 Researcher 和 Analyst 等工具不会产生幻觉或编造内容。包括 o3-mini 和深度研究模型在内的模型并非完美无缺;它们有时会出现错误引用、得出错误结论,并从可疑的公共网站获取信息来支持其推理。
Microsoft 正在推出一个新的 Frontier 计划,Microsoft 365 Copilot 用户可以通过该计划获取 Researcher 和 Analyst 的使用权限。从 4 月开始,注册 Frontier 计划的用户将率先体验到 Researcher 和 Analyst 等实验性 Copilot 功能。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。