核心观点 - 英伟达推出通用深度研究（UDR）系统 支持用户完全自定义研究策略 无需额外训练或微调即可接入任何大语言模型（LLM）[1][6][13] - 系统通过自然语言编译生成可执行代码 将研究逻辑与语言模型解耦 显著提升计算效率和灵活性[11][13][19] - 当前版本仍存在策略执行准确性依赖模型代码生成质量 用户预设策略合理性 以及缺乏实时干预功能等局限性[21][22] 系统架构与功能 - UDR系统由用户界面和代理逻辑两部分组成 用户界面用于接收研究提示并实时更新进度 代理逻辑支持代码代理或LLM代理协调工具组合[7][16] - 支持自然语言定制研究策略 用户可用自然语言定义工作流并转换为可执行代码[12] - 采用与模型无关的架构 允许封装任何供应商或架构的大语言模型[13] - 提供用户可控策略驱动界面 支持实时修改策略 选择预设策略库 接收进度通知和查看分析报告[15] 性能优势 - 通过区分控制逻辑与语言模型推理提升效率 研究流程调度由CPU执行代码负责 避免成本高出数十倍的LLM推理开销[19] - LLM调用仅在处理代码变量中精简文本片段时触发 显著降低GPU资源消耗和执行延迟[20] - 支持用户自主设置资源优先级 验证信息权威性并控制搜索成本 弥补现有深度研究工具（DRTs）的不足[18] 应用潜力 - 突破智能体自主性限制 非常适合企业工作场景[4] - 可生成高价值行业需要的专业文档分析方案 解决现有DRTs功能僵化问题[18] - 允许用户将最新或最强大模型与智能体灵活组合 形成更强大的研究工具[18] 当前局限性 - 策略执行准确性完全依赖底层AI模型生成代码质量 模糊策略可能导致理解偏差或逻辑错误[21] - 默认用户预设策略合理且可执行 若策略设计不佳可能导致报告质量低下或无法生成[21] - 执行过程中不支持用户实时干预或调整方向 所有决策需预先设定 限制长时间探索性任务的灵活性[21][22] 未来发展 - 研究人员提出配备可修改策略库 探索用户控制语言模型自由推理过程 以及自动转化用户提示为确定性控制智能体等改进方案[23] - 系统目前处于原型阶段 未正式推出 但已提供带用户界面的研究演示原型在GitHub开源[3][25]