我们自豪地宣布，“U深研” 现已发布在UniFuncs官方平台，并免费开放。
作为最先进的 Deep Research 产品，它通过与我们 Web Search 和 Web Reader 能力深度集成，使之成为了目前市面上成本最低且高效的深度研究Agent。 它在64k/32k上下文长度的非推理大模型下即可良好工作，打破Deep Research需要超长上下文模型的固有印象，token消耗较同类产品降低10倍。 我们的 Deep Research API 接口也将在6月上线平台，让更多团队与开发者能够将这项能力用更低的成本集成到自己的应用中。 超级研究模式也在努力推进中，敬请期待！
最近的两个月里，各家Deep Research产品井喷式发布，标志着大模型发展已经跨入了Agent落地应用时代。 产品虽五花八门，但主要分为三个流派：
- 类OpenAI/Google深度研究（如Gemini的Deep Research） 原生深度研究，通过海量收集信息和分析后生成一份优质的长报告，它依赖超大上下文模型来处理尽可能多的信息。 如果我们调研的是一个公认无异议且有统一定义的对象实体时（如某个行业的发展前景），那么报告绝大部分是准确的，但如果是调研一个小众领域（比如某个博主的成长轨迹）时，那么有效信息很容易在海量其它相关信息中淹没，导致实际报告内容严重偏题，其中的耗时也是一项成本。
- 类Manus全能Agent（如近期天工的Skywork） 全能Agent，为大模型打造一个工作空间，根据问题自行编写工作计划并逐步完成预设任务，这很棒，但引入了太大的复杂度与Token消耗，这使得时间与计算成本变得很高，对于小团队或个人是仍然是难以负担的。
- 类Perplexity深度搜索（如JinaAI的Deep Search） 这是U深研最接近的流派，主打快准狠，实际上是轻量版的DeepResearch，我们在数分钟内就能够通过深度搜索生产一份优质报告，区别只在于深度搜索与信息分析总结的流程设计以及底层Web搜索、Web阅读工具的不同。 Perplexity和JinaAI均使用了推理模型来实现了深度搜索，U深研则是选用了非推理模型。 选用这类模型的原因除了降低成本外，我们还发现推理模型在初始搜索与阶段搜索中产生了过多的幻觉，这容易导致初始搜索目标发生偏差或者过度推理，因此我们仍选用基础的chat模型来降低幻觉。 应用在飞速发展，但成本也在成倍上涨。 KOL在技术狂欢，我们却只能浅尝辄止。 历史上第一个搜索工具是「Archie」，通过索引FTP服务器上的文件，为用户提供了快速定位文件的能力，它是所有搜索引擎的先祖。 至今，搜索的目标仍然是定位收集有效信息。 许多时候，我们也许只是希望获得一个正确的答案，去快速了解某个事件或是某个领域。 我们并不是时刻都需要交付一篇论文。 再一次的，用更好的工具去探索下一个未知的答案吧。