英偉達也做深度研究智能體了。

最新論文介紹了英偉達的通用深度研究（UDR）系統，該系統支持個人定制，可接入任何大語言模型（LLM）。

這意味著它能夠圍繞任何語言模型運行，用戶可以完全自定義深度研究策略，并交給智能體實現。

為展示其通用性，英偉達還為UDR配備了帶用戶界面的研究演示原型，可在GitHub上下載。

網友認為，它使智能體的自主性得到了突破，非常適合企業工作。

自帶模型和策略

論文介紹，以往推出的所有深度研究智能體，都采用硬編碼方式，僅能通過固定的工具選擇來執行特定研究策略。

而英偉達的UDR系統能夠圍繞任何LLM運行。

還能使用戶能夠在無需額外訓練或微調的情況下，創建、編輯和優化他們完全自定義的深度研究策略。

上圖呈現的是一個典型深度研究工具（DRT）的組成部分，與普通的對話式LLMs不同，DRTs在生成報告之前傾向于持續向用戶更新其進度。

一個DRT由兩部分組成：

• 一個簡單的用戶界面：用于接收研究提示，持續向用戶更新研究進度，并顯示研究報告；
• 代理邏輯：代碼代理（通過代碼協調大語言模型與工具的組合運用）或LLM代理（直接利用模型自身的推理和工具調用能力）。

無論是Gemini、Perplexity還是OpenAI，現有的DRTs主要采用僵化的研究策略，除研究提示詞外幾乎不留用戶定制空間；而在具有LLM代理的DRTs中，往往存在底層模型選擇單一、或僅使用訓練后行為特征相同的同系列模型的問題。

雖然這個問題并不是阻礙DRTs廣泛流行的障礙，但它從三個方面限制了它們的實用性:

• 用戶既不能自主設置資源優先級，也無法自動驗證信息的權威性，更無法控制搜索成本。
• 現有的DRTs做不出高價值行業需要的專業文檔分析方案。
• 現有的DRTs使用的模型是不可換的——用戶不能隨意將最新或最強大的模型與深度研究智能體組合起來，以產生一個更強大的DRT。

而英偉達的UDR系統提出了一種通用的解決方案來解決上述問題。

簡單地說，與專門的DRT不同，UDR從用戶那里接收研究策略和研究提示，允許更高的定制程度。

UDR能夠將策略從自然語言編譯成可執行的研究編排代碼片段，然后執行策略，并將最終報告交付給用戶。

其最顯著的創新特性包括：

• 通過自然語言定制研究策略。UDR支持用戶用自然語言定義和編程自己的研究工作流，系統會將其轉換為可執行、可審計的代碼。

這意味著用戶自己設計的智能操作流程，不需要重新訓練AI模型或進行復雜調試，就能直接投入實際使用。

• 與模型無關的研究工具架構。UDR將研究邏輯與語言模型解耦，使開發者能夠將任何大語言模型——無論供應商或架構如何——封裝成功能完整的深度研究工具。

這樣一來，產品設計就有了更大發揮空間：既能選用最先進的AI模型，又能搭配量身定制的研究方案，實現靈活組合的創新應用。

• 用戶可控的策略驅動研究界面。下圖的原型展示了四大實用功能：實時修改研究策略、選擇預設策略庫、接收進度通知、查看分析報告。

UDR通過區分控制邏輯和語言模型推理來提升計算效率：整個深度研究流程的調度由生成的代碼全權負責，這些代碼直接在CPU上運行，避免了成本高出數十倍的語言模型推理開銷。

系統僅在用戶自定義研究策略明確要求時才會調用LLM，且每次調用僅處理代碼變量中存儲的精簡定向文本片段。

這種雙重高效設計——將流程調度交給CPU執行邏輯，同時將LLM的使用嚴格限定在精準高效的調用中——不僅能夠降低GPU資源消耗，還可以顯著減少深度研究任務的總體執行延遲和成本。

仍需進一步探索

不過，這項工作目前還存在一定的局限性。

一方面，UDR系統執行研究策略的準確度，完全取決于底層AI模型生成代碼的質量。雖然研究人員通過強制要求代碼添加注釋來減少錯誤，但當策略表述模糊或不夠具體時，系統偶爾還是會產生理解偏差或邏輯錯誤。

另一方面，UDR默認用戶設計的研究策略本身是合理且可執行的。系統只會做基礎檢查，不會判斷策略步驟是否真正有效。如果策略設計得不好，最終生成的報告可能質量低下、內容不全，或者根本生成不出報告。

此外， 還有一點在于，雖然UDR會實時顯示研究進度，但當前版本在執行過程中不支持用戶干預（只能停止任務），也無法根據實時反饋調整研究方向。

所有決策都需要在研究開始前就預先設定好，這使得長時間或探索性的研究任務缺乏靈活性。

針對上述問題，研究人員也提出了進一步的解決方案——或者說改進方案：

比如配備可修改定制的研究策略庫、進一步探索如何讓用戶控制語言模型的自由推理過程、將大量用戶提示自動轉化為確定性控制的智能體等。

目前英偉達的UDR系統還只是原型階段，并未正式推出，但或許可以期待一下。

期待一個功能完整的正式版本。

參考鏈接

[1]https://x.com/rohanpaul_ai/status/1964689864244203596

[2]https://research.nvidia.com/labs/lpr/udr/

[3]https://github.com/NVlabs/UniversalDeepResearch