¿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 bien son efectivos, imponen limitaciones estrictas: los usuarios no pueden definir estrategias personalizadas, modelos de intercambio o hacer cumplir protocolos específicos de dominio.
El análisis de NVIDIA identifica tres problemas centrales:
- Los usuarios no pueden hacer cumplir las fuentes preferidas, las reglas de validación 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 estrategia.
Estos problemas restringen la adopción en aplicaciones empresariales y científicas de alto valor.
¿Qué es Universal Deep Research (UDR)?
Universal Deep Research (UDR) es un sistema de código abierto (en vista previa) que desacopla Estrategia del modelo. Permite a los usuarios diseñar, editar y ejecutar sus propios flujos de trabajo de investigación profundos sin volver 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 usuario en código ejecutable.
- Ejecuta flujos de trabajo en un entorno de arena para la seguridad.
- Trata a la LLM como una utilidad para razonamiento localizado (resumen, clasificación, extracción) en lugar de darle el control total.
Esta arquitectura hace que UDR sea ligero, flexible y agnóstico del modelo.
¿Cómo procesa UDR y ejecuta estrategias de investigación?
UDR toma dos entradas: el estrategia de investigación (flujo de trabajo paso a paso) y el Investigación Investigador (requisitos de tema y salida).
- Procesamiento de estrategia
- Las estrategias del lenguaje 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 estrategia
- La lógica 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 real. - Los informes se ensamblan a partir de estados variables almacenados, lo que garantiza la trazabilidad.
Esta separación de Orquestación versus razonamiento Mejora la eficiencia y reduce el costo de la GPU.
¿Qué estrategias de ejemplo están disponibles?
Nvidia envía UDR con tres estrategias de plantilla:
- Mínimo – Genere algunas consultas de búsqueda, recopile resultados y compile un informe conciso.
- Expansivo – Explore múltiples temas en paralelo para una cobertura más amplia.
- Intensivo – Refina las consultas iterativamente utilizando subcontextos en evolución, ideal para inmersiones profundas.
Estos sirven como puntos de partida, pero el marco permite a los usuarios codificar flujos de trabajo completamente personalizados.
¿Qué salidas genera UDR?
UDR produce dos salidas clave:
- Notificaciones estructuradas – Actualizaciones de progreso (con tipo, marca de tiempo y descripción) para la transparencia.
- Informe final -Un documento de investigación con conformidad con marcado, completo con secciones, tablas y referencias.
Este diseño ofrece a los usuarios a ambos auditorabilidad y reproducibilidada diferencia de los sistemas de agente opaco.
¿Dónde se puede aplicar UDR?
El diseño de uso general de UDR lo hace adaptable a través de dominios:
- Descubrimiento científico: revisiones de literatura estructurada.
- Diligencia debida empresarial: validación contra presentaciones y conjuntos de datos.
- Inteligencia de negocios: tuberías de análisis de mercado.
- Startups: Asistentes personalizados construidos sin volver a capacitar LLM.
Separando Elección del modelo de la lógica de investigaciónUDR apoya la innovación en ambas dimensiones.
Resumen
Universal Deep Research indica un cambio de centrado en el modelo 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 base para construir asistentes específicos de dominio sin el costo de la reentrenamiento modelo, 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. Además, siéntete libre 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 empresario e ingeniero visionario, ASIF se compromete a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, MarktechPost, que se destaca por su cobertura profunda de noticias de aprendizaje automático y de aprendizaje 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 público.