1. Test-Time Compute（测试时计算）
在深入了解 DeepSearch 和 DeepResearch 之前，我们得先搞明白一个概念： Test-Time Compute （测试时计算）。其实，很多功能的设计都是围绕着 Test-Time Compute 来展开的。
这个概念最早是 OpenAI 在去年 9 月发布的 “o1-preview” 模型中提到的。它的核心思想是，与其在模型的预训练和微调阶段投入大量资源，不如在推理阶段（Reasoning）集中精力进行高级处理。
Test-Time Compute（TTC）是指当一个 AI 模型在训练完成后，实际执行任务或生成回应时所需要的计算资源和时间。简单来说，就是模型在实际使用时的计算需求，而不是在训练阶段的需求。
Test-Time Compute（TTC）的几个关键点：
- 推理过程 ：当你向模型输入问题或提示时，它会处理输入并生成回应。这个处理的计算成本就叫做 Test-Time Compute。
- 推理阶段的扩展 ：一些先进的 AI 模型，比如 OpenAI 的 o1 系列，在推理过程中会根据需要动态增加思考时间。也就是说，它们可以在面对复杂问题时花更多时间思考，从而提高准确性，但也需要消耗更多的计算资源。
通过在推理阶段投入更多计算资源，o1 模型能够进行更深入的推理，从而提供更准确、更有深度的回答。o1 使用的是一步步思考的方式，也就是 Chain-of-Thought 方法，最终得出一个结论。因此，o1 模型在解决复杂问题时非常有优势。
举个例子，如果让模型执行类似 Chain-of-Thought（思维链）的“边思考边推理”过程，最终的输出质量可以显著提升。虽然这个过程会消耗更多时间，但随着大语言模型（LLM）越来越普及，用户也渐渐习惯了等待模型思考。只要结果足够好，大家也能接受稍长的等待时间。
想了解更多关于 Test-Time Compute 的内容，可以参考 Hugging Face 这篇文章：
https://huggingface.co/blog/Kseniase/testtimecompute#/
2. 什么是 DeepSearch
DeepSearch 可以理解为一种“高级的网页搜索代理”。传统的网页搜索代理通常只是用已有的搜索工具来收集信息，然后生成答案，它基本上只进行了一次搜索。而 DeepSearch 则在搜索过程中加入了“推理”这一环节。
简而言之， DeepSearch 的工作原理是不断地进行“搜索 → 推理 → 搜索 → 推理…”的循环，直到找到最合适的答案，或者达到 Token 限制为止。
下图展示了 DeepSearch 和传统网页搜索代理的处理流程对比。DeepSearch 的最大特点就是它通过多次搜索和推理的过程，最终得出更准确的答案。
3. 什么是 DeepResearch
另外， DeepResearch 可以看作是 DeepSearch 的一个典型应用案例 。它的主要目标是“自动生成研究报告”。用户只需要提供一个主题，DeepResearch 就会首先规划出报告的大致章节结构。接着，针对每个章节，DeepResearch 会利用 DeepSearch 进行信息搜索和推理。最后，借助大语言模型（LLM）整理和整合这些信息，最终生成完整的研究报告。
4. DeepSearch vs DeepResearch
最后，我们来简单总结一下 DeepSearch 和 DeepResearch 之间的关系和区别。简单来说， DeepSearch 是一种即将成为主流的全新 AI 搜索方法，而 DeepResearch 则是基于 DeepSearch 的一种典型应用。 写研究报告通常是件非常耗时的事，但随着越来越多的 AI 服务推出 DeepResearch 功能，未来我们可能只需要短时间就能生成高质量的报告。
虽然 DeepSearch 的处理时间可能稍微长一些，但如果它能够通过深入的信息收集和推理，提供高质量的结果，相信用户是可以接受的。
另外，LangChain，Jina等最近也开源了他们自己实现的 DeepResearch，感兴趣的朋友可以通过以下链接尝试下。
-
https://github.com/langchain-ai/open\_deep\_research?tab=readme-ov-file#/
-
https://github.com/zilliztech/deep-searcher ===================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================================
添加微信，备注” LLM “进入大模型技术交流群
如果你觉得这篇文章对你有帮助，别忘了点个赞、送个喜欢
/ 作者：致Great
/ 作者：欢迎转载，标注来源即可